Detail předmětu
Strojové učení
FEKT-MPC-MLRAk. rok: 2019/2020
Studenti získají rozhled v oblasti pokročilých metod strojového učení. Budou schopni popsat a porovnat vlastnosti jednotlivých přístupů pro klasifikaci dat. Budou schopni vybrat a aplikovat konkrétní přístup na daný problém. Získají také praktické zkušenosti s aktuálními implementacemi metod strojového učení.
Jazyk výuky
čeština
Počet kreditů
5
Garant předmětu
Zajišťuje ústav
Osnovy výuky
1. Úvod do problematiky klasifikace. Hodnocení klasifikátorů, chyba klasifikace, testování klasifikátorů.
2. Lineární klasifikátory – základní principy a metody.
3. Bayesovský přístup ke klasifikaci. Klasikátor typu Naive Bayes.
4. Vybrané typy neuronových sítí: Kohonenova, Hopfieldova a Boltzmanova.
5. Klasifikace metodou „Support vector machine“.
6. Rozhodovací a regresní stromy a lesy, náhodné lesy.
7. Metody pro zlepšování vlastností klasifikátorů (bagging, boosting).
8. Pokročilé metody výběru a visualizace příznaků (mRMR, t-SNE).
9. Principy hlubokého učení, hluboké neuronové sítě (NS) a základní stavební bloky.
10. Principy učení hlubokých NS. Požadavky na hardware.
11. Varianty hlubokých NS, autoenkodéry, rekurentní NS.
12. Aplikace klasifikačních úloh pro zpracování signálů, obrazů a bioinformatických dat. Příklady aplikací.
13. Implementační balíčky pro hluboké učení (Caffe, TensorFlow, Statistics and Machine Learning Toolbox pro Matlab aj.).
2. Lineární klasifikátory – základní principy a metody.
3. Bayesovský přístup ke klasifikaci. Klasikátor typu Naive Bayes.
4. Vybrané typy neuronových sítí: Kohonenova, Hopfieldova a Boltzmanova.
5. Klasifikace metodou „Support vector machine“.
6. Rozhodovací a regresní stromy a lesy, náhodné lesy.
7. Metody pro zlepšování vlastností klasifikátorů (bagging, boosting).
8. Pokročilé metody výběru a visualizace příznaků (mRMR, t-SNE).
9. Principy hlubokého učení, hluboké neuronové sítě (NS) a základní stavební bloky.
10. Principy učení hlubokých NS. Požadavky na hardware.
11. Varianty hlubokých NS, autoenkodéry, rekurentní NS.
12. Aplikace klasifikačních úloh pro zpracování signálů, obrazů a bioinformatických dat. Příklady aplikací.
13. Implementační balíčky pro hluboké učení (Caffe, TensorFlow, Statistics and Machine Learning Toolbox pro Matlab aj.).
Základní literatura
Buduma N. Fundamentals of Deep Learning, O'Reilly Media, 2017 (CS)
Holčík, J. Analýza a klasifikace dat, Akademické nakladatelství CERM, 2012 (CS)
Komprdová, K. Rozhodovací stromy a lesy, Akademické nakladatelství CERM, 2012 (CS)
Holčík, J. Analýza a klasifikace dat, Akademické nakladatelství CERM, 2012 (CS)
Komprdová, K. Rozhodovací stromy a lesy, Akademické nakladatelství CERM, 2012 (CS)
Elearning
eLearning: aktuální otevřený kurz
Zařazení předmětu ve studijních plánech
Typ (způsob) výuky
Přednáška
26 hod., nepovinná
Vyučující / Lektor
Elearning
eLearning: aktuální otevřený kurz