Detail předmětu
Strojové učení
FEKT-MPC-STUAk. rok: 2022/2023
Předmět se zabývá otázkou, jak konstruovat počítačové programy, které se automaticky zlepšují pomocí učení. Cílem předmětu je představit přehled základních typů algoritmů a postupů definujících strojové učení, které tvoří matematicko-logický základ oborů, jako jsou umělá inteligence, rozpoznání vzorů nebo dolování dat. Důraz je kladen zejména na řešení klasifikačních a optimalizačních úloh.
Jazyk výuky
Počet kreditů
Garant předmětu
Zajišťuje ústav
Výsledky učení předmětu
- navrhnout řešení klasifikační úlohy
- předzpracovat data a vybrat vhodnou množinu příznaků k modelování
- vybrat vhodný model a odhadnout jeho přesnost
- zdůvodnit vhodnost/nevhodnost různých řešení
- navrhnout řešení optimalizační úlohy
- vybrat pro daný typ optimalizační úlohy vhodnou optimalizační metodu
Prerekvizity
Plánované vzdělávací činnosti a výukové metody
Způsob a kritéria hodnocení
V předmětu Strojové učení jsou hodnocena počítačová cvičení (40 bodů) a závěrečná písemná zkouška (60 bodů). Pro úspěšné ukončení předmětu je nutné získat alespoň poloviční počet bodů z počítačových cvičení (zápočet) a alespoň poloviční počet bodů ze závěrečné písemné práce.
Osnovy výuky
1. Aplikace strojového učení
2. Strojové učení – základní přehled a terminologie
3. Základy statistiky používané ve strojovém učení
4. Teorie informace – stručný úvod
5. Rozhodovací stromy
6. Učení založené na instancích
7. Chybové funkce
8. Odhad přesnosti modelu
9. Předzpracování dat
10. Shluková analýza
11. Evoluční algoritmy
12. Konvoluční neuronové sítě
13. Vybrané partie hlubokého učení
14. Meta-učení
Učební cíle
Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky
Základní literatura
Doporučená literatura
Zařazení předmětu ve studijních plánech
- Program MPC-KAM magisterský navazující 1 ročník, letní semestr, povinný
Typ (způsob) výuky
Přednáška
Vyučující / Lektor
Osnova
2. Statistika ve strojovém učení.
3. Učení založené na instancích.
4. Rozhodovací stromy.
5. Metody odhadu chyby modelu.
6. Chybové funkce. Předzpracování dat 1.
7. Předzpracování dat 2.
8. Genetické algoritmy. Diferenciální evoluce. Mravenčí kolonie.
9. Bayesovské učení.
10. Lineární regrese. Diskriminační analýza. Podpůrné vektory.
11. Meta-učení.
12. Učení bez učitele.
Cvičení na počítači
Vyučující / Lektor
Osnova
2. Statistika ve strojovém učení.
3. Učení založené na instancích.
4. Rozhodovací stromy.
5. Metody odhadu chyby modelu.
6. Chybové funkce. Předzpracování dat 1.
7. Předzpracování dat 2.
8. Genetické algoritmy. Diferenciální evoluce. Mravenčí kolonie.
9. Bayesovské učení.
10. Lineární regrese. Diskriminační analýza. Podpůrné vektory.
11. Meta-učení.
12. Učení bez učitele.