čeština

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.).

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)