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

čeština

Počet kreditů

5

Garant předmětu

doc. Ing. Václav Jirsík, CSc.

Zajišťuje ústav

Ústav automatizace a měřicí techniky (UAMT)

Výsledky učení předmětu

Absolvent předmětu je schopen:
- 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

Jsou požadovány znalosti na úrovni bakalářského studia zejména v oblasti matematiky, statistiky a teorie pravděpodobnosti.

Plánované vzdělávací činnosti a výukové metody

Metody vyučování zahrnují přednášky a cvičení.

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

Cílem předmětu je poskytnou studentům základní orientaci v klíčových algoritmech a teoriích strojového učení, důraz je kladen na oblasti klasifikace a optimalizace.

Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky

Povinná jsou počítačová cvičení, přednášky jsou nepovinné.

Základní literatura

Honzík P.: Strojové učení. Elektonická skripta VUT. (CS)

Doporučená literatura

Mitchell, Tom M. Machine learning. Boston : McGraw-Hill, 1997. 414 s. McGraw-Hill series in computer science. ISBN 0-07-042807-7. (EN)

Zařazení předmětu ve studijních plánech

  • Program MPC-KAM magisterský navazující 1 ročník, letní semestr, povinný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

Ing. Karel Horák, Ph.D.

Osnova

1. Paradigmata strojového učení. Terminologie. Učení se konceptům. Základy teorie informace.
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

26 hod., povinná

Vyučující / Lektor

Ing. Lukáš Kratochvíla
Ing. Tomáš Zemčík
Ing. Karel Horák, Ph.D.

Osnova

1. Paradigmata strojového učení. Terminologie. Učení se konceptům. Základy teorie informace.
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.