Detail předmětu

Strojové učení

FEKT-MSTUAk. rok: 2010/2011

Předmět se zabývá otázkou, jak konstruovat počítačové programy, které
se automaticky zlepšují pomocí učení. Cílem předmětu je podat přehled
klíčových algoritmů a základní teorie, které tvoří jádro oboru
strojového učení. Strojové učení je interdisciplinární, vychází z
poznatků mnoha oborů, např. statistika, umělá inteligence,
informační teorie, filosofie, biologie, kognitivní vědy a teorie
řízení.

Jazyk výuky

čeština

Počet kreditů

Garant předmětu

Ing. Petr Honzík, Ph.D.

Zajišťuje ústav

Ústav automatizace a měřicí techniky (UAMT)

Výsledky učení předmětu

Studenti získají vědomosti o základních metodách strojového učení.

Prerekvizity

Jsou požadovány znalosti na úrovni bakalářského studia.

Plánované vzdělávací činnosti a výukové metody

Metody vyučování závisejí na způsobu výuky a jsou popsány článkem 7 Studijního a zkušebního řádu VUT.

Způsob a kritéria hodnocení

Projekt - 20 bodů
Zkouska - 80 bodů

Osnovy výuky

1. Strojové učení jako spojení umělé inteligence a kognitivních věd. Terminologie. Učení se konceptům.
2. Statistika ve strojovém učení. Lineární regrese. Diskriminační analýza.
3. Chybové funkce. Předzpracování dat.
4. Genetické algoritmy. Distribuované algoritmy.
5. Rozhodovací stromy.
6. Neuronové sítě.
7. Bayesovské učení.
8. Učení založené na instancích.
9. Metody odhadu chyby modelu.
10. Data mining.
11. Meta-learning.
12. Učení bez učitele.

Učební cíle

Cílem předmětu je předložit přehled klíčových algoritmů a základní teorii, které tvoří jádro oboru strojového učení.

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

Vymezení kontrolované výuky a způsob jejího provádění stanoví každoročně aktualizovaná vyhláška garanta předmětu.

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 EEKR-M magisterský navazující

    obor M-KAM , 2 ročník, letní semestr, volitelný oborový

  • Program EEKR-CZV celoživotní vzdělávání (není studentem)

    obor ET-CZV , 1 ročník, letní semestr, volitelný oborový

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

Ing. Petr Honzík, Ph.D.

Osnova

Strojové učení jako spojení umělé inteligence a kognitivních věd. Výpočtové procesy související s učením. Výběr učícího algoritmu.
Trénovací a testovací data. Prostor učení. Učení a vyhledávání.
Přirozené a lidské učení. Jazyk reprezentace problému. Algoritmy učení s numerickými a symbolickými vstupy.
Metody indukce rozhodovacích stromů. Výskyt šumu, neúplný popis příkladů.
Převod rozhodovacích stromů na produkční pravidla, generování pravidel.
Perceptrony. Logické neuronové sítě.
Kohonenovy mapy.
Genetické algoritmy, genetické programování. Srovnání s~biologickými systémy.
Rozpoznávání vzorů. Generalizace. Metoda nejbližšího souseda (k-NN).
Učení z instancí (IBL algoritmy).
Bayesovské klasifikátory.
Stimulované učení.
Popis a ukázky aplikací.

Cvičení na počítači

26 hod., povinná

Vyučující / Lektor

Ing. Petr Honzík, Ph.D.

Osnova

Úvod, školení o bezpečnosti.
Seznámení s problematikou rozhodovacích stromů, seznámení s programem SEE5.
Praktický příklad použití programu See5 pro práci s rozhodovacími stromy.
Seznámení s genetickými algoritmu, seznámení s toolboxem programu Matlab pro práci s gen. algoritmy.
Praktické příklady použití genetického algoritmu.
Seznámení s metodami IBL pro rozpoznávání rukopisu.
Zadání samostatné práce.
Samostatná práce.
Samostatná práce.
Samostatná práce. Odevzdání.
Samostatná práce. Prezentace.