Detail předmětu
Machine Learning
FEKT-MPA-MLRAk. rok: 2025/2026
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 včetně hlubokého učení.
Jazyk výuky
Počet kreditů
Garant předmětu
Zajišťuje ústav
Nabízen zahraničním studentům
Vstupní znalosti
- Přehled o základních konceptech strojového učení.
- Základní znalosti programování, přednostně v jazyce Python.
- Matematické základy – lineární algebra (matice, vektory), základy diferenciálního počtu a pravděpodobnosti.
- Základy statistiky a optimalizace.
Pravidla hodnocení a ukončení předmětu
Během semestru proběhne 6 testů, každý za maximálně 5 bodů. Testy nelze opakovat.
Podmínky udělení zápočtu jsou následující:
- plná účast na počítačových cvičení (max. dvě omluvené absence),
- získání alespoň 15 bodů z testů.
Získání zápočtu je podmínkou pro připuštění k závěrečné zkoušce.
Závěrečná zkouška bude ohodnocena max. 70 body. Pro úspěšné složení zkoušky je nutné získat minimálně 35 bodů.
Učební cíle
Základní literatura
Geron, A.: Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, 2. edition, O'Reilly Media (EN)
Ch. M. Bishop: Pattern Recognition and Machine Learning, Springer, 2011
I. Goodfellow, Y. Bengio, A. Courville, F. Bach: Deep Learning, The MIT Press, 2016
N. Buduma: Fundamentals of Deep Learning, O'Reilly Media, 2017 (CS)
Zařazení předmětu ve studijních plánech
- Program MPA-BTB magisterský navazující 2 ročník, zimní semestr, povinný
- Program MPAD-BIO magisterský navazující 1 ročník, zimní semestr, povinný
- Program MPC-BTB magisterský navazující 1 ročník, zimní semestr, povinný
- Program MPC-BIO magisterský navazující 1 ročník, zimní semestr, povinný
- Program MPA-BIO magisterský navazující 1 ročník, zimní semestr, povinný
Typ (způsob) výuky
Přednáška
Vyučující / Lektor
Osnova
1. Úvod do problematiky klasifikace. Hodnocení klasifikátorů, chyba klasifikace, testování klasifikátorů.
2. Hodnocení příznaků, výběr a redukce příznaků pomocí základních a pokročilých metod (PCA, mRMR, t-SNE).
3. Lineární klasifikátory – základní principy a metody (perceptron, MSE, SVM).
4. "Kernel" přístup pro nelineární klasifikaci/regresi.
5. Rozhodovací a regresní stromy a lesy, náhodné lesy.
6. Metody pro zlepšování vlastností klasifikátorů (bagging, boosting).
7. Základní principy umělých neuronových sítí, regularizační techniky.
8. Principy hlubokého učení, hluboké neuronové sítě (NS) a základní stavební bloky.
9. Principy učení hlubokých NS, konvoluční NS, bloky využívané v hlubokých NS.
10. Varianty hlubokých NS, rekurentní sítě, transformery
11 Pravděpodonostní modely,, Metody “Maximum likelihood” a “Maximum a-posteriori probability”.
12. Pravděpodonostní modely, Bayesovský přístup ke klasifikaci. Klasikátor typu Naive Bayes
Cvičení na počítači
Vyučující / Lektor
Osnova
1) Úvod do strojového učení v Pythonu, příklad jednoduchého klasifikátoru
2) Metody hodnocení modelu – metriky, validace modelu
3) Lineární a polynomiální regrese, LASSO/RIDGE regrese
4) Duální formy a jádra - regrese, SVM
5) Selekce příznaků
6) Rozhodovací stromy, náhodné lesy, kompromis mezi zkreslením a rozptylem
7) Úvod do umělých neuronových sítí, úvod do PyTorch
8) Úvod do PyTorch 2, jednoduchá neuronová síť
9) Hluboké učení v různých aplikacích – klasifikace obrázků, klasifikace signálů, segmentace obrázků, regrese obrázek na obrázek, segmentace signálů, regrese signál na signál
10) Transformátory - příklad vizuálního transformátoru, příklad předpovídání dalšího slova
11) Pravděpodobnostní modely 1 - odhad maximální věrohodnosti, odhad maximální aposteriorní pravděpodobnosti
12) Pravděpodobnostní modely 2 - Naivní Bayesovský klasifikátor, model směsi Gaussovských rozdělení