Detail předmětu

Machine Learning Fundamentals

FEKT-MPA-MLFAk. rok: 2023/2024

Předmět se věnuje jak klasickým metodám strojového učení jako jsou support vector machines nebo principal component analysis, tak přístupům založeným na umělých neuronových sítích, včetně konvolučních nebo rekurzivních sítí. Mimo přednášek jsou důležitou součástí předmětu cvičení zaměřené jednak na pochopení základních principů, tak na na využití strojového učení v oblasti rádiových komunikací od klasifikace rádiových vysílačů až po kompletní přenosový systém založený na strojovém učení.     

 

Jazyk výuky

angličtina

Počet kreditů

5

Garant předmětu

prof. Ing. Roman Maršálek, Ph.D.

Zajišťuje ústav

Ústav radioelektroniky (UREL)

Nabízen zahraničním studentům

Všech fakult

Vstupní znalosti

Student, který si zapíše předmět by měl:

  • chápat základní matematické metody na úrovni bakalářského studia
  • být schopen napsat jednoduchý program v prostředí Matlab a některém z vyšších programovacích jazyků
 

Pravidla hodnocení a ukončení předmětu

Hodnocení předmětu MPA-MLF v akademickém roce 2023/24

PC laboratoře, docházka, vypracování a odevzdání úkolů:  16 bdoů

samostatné projekty: 50 bodů (15 bodů půlsemestrální, 35 bodů závěrečný)

závěrečná zkouška: 34 bodů (24 písemná povinná část, 10 bodů nepovinná ústní část)

 

Učební cíle

Cílem předmětu je zopakovat potřebné metody lineární algebry, seznámit studenty se strojovým učením a to jak klasickým, tak hlubokým učením a jeho nejdůležitějšími technikami a současně uvést základní koncept kvantových výpočtů jako jednoho z perspektivních směrů budoucího vývoje. Počítačová cvičení mají za cíl pomoci studentům získat praktické zkušenosti s používanými algoritmy a softwarovými prostředky.

 

 

Absolvent předmětu bude schopen (a) používat základní metody strojového učení pro klasifikaci (b) používat metody založené na umělých neuronových sítích (c) pro danou úlohu správně zvolit vhodnou metodu strojového učení (d) diskutovat využití metod strojového učení v rádiových komunikacích (e) diskutovat základní techniky kvantových výpočtů a jejich vhodnost pro danou aplikaci

 

Základní literatura

Goodfellow, I., Bengio, Y., Courville, A., Deep Learning (Adaptive Computation and Machine Learning series), MIT Press, 2016, ISBN ‎ 0262035618 (EN)
Mueller, J.P., Massaron, L. Machine Learning‎ For Dummies; 1st edition, 2016, ISBN : ‎ 1119245516 (EN)
Smola, A., Vishwanathan, S.V.N., Introduction to Machine Learning, Cambridge University press, available at https://alex.smola.org/drafts/thebook.pdf (EN)

Elearning

eLearning: aktuální otevřený kurz

Zařazení předmětu ve studijních plánech

  • Program MPC-EKT magisterský navazující 1 ročník, letní semestr, povinně volitelný
  • Program MPAJ-TEC magisterský navazující 1 ročník, letní semestr, povinně volitelný
  • Program MPA-TEC magisterský navazující 1 ročník, letní semestr, povinně volitelný
  • Program MPZ-EKT magisterský navazující 1 ročník, letní semestr, povinně volitelný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

prof. Ing. Roman Maršálek, Ph.D.

Osnova

    1-Úvod do strojového učení, organizace předmětu
    2-Základy lineární algebry, Principal component analysis (PCA)
    3-Metoda podpůrných vektorů (SVM)
    4-K-means a KNN klasifikátor
    5-Úvod do neuronových sítí, lineární a logistická regrese
    6-Problémy neuronových sítí, ladění hyperparametrů
    7-Konvoluční sítě
    8-Transfer learning
    9-Rekurentní neuronové sítě, LSTM sítě
    10-Generativní sítě, GAN
    11-Přednáška z průmyslu – aplikace strojového učení
    12-Základy kvantových výpočtů – aritmetika
    13-Základy kvantových výpočtů – hradla  a obvody

    Cvičení na počítači

    26 hod., povinná

    Vyučující / Lektor

    Ing. Jan Bolcek
    prof. Ing. Roman Maršálek, Ph.D.

    Osnova

    1-Úvod, algebra, Collab
    2-PCA
    3-SVM
    4-K-means
    5-Úvod do neuronových sítí
    6-Neuronové sítì, ladìní hyperparametrù, zadání miniprojektu
    7-Miniprojekt
    8-Konvoluèní sítì
    9-Rekurentní sítì, LSTM
    10-Projekt
    11-Projekt
    12-Kvantové výpoèty
    13-Kvantové obvody

     

    Elearning

    eLearning: aktuální otevřený kurz