Detail předmětu

Strojové učení

FEKT-MPC-MLRAk. rok: 2019/2020

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.

Doporučená nebo povinná literatura

Holčík, J. Analýza a klasifikace dat, Akademické nakladatelství CERM, 2012 (CS)
Komprdová, K. Rozhodovací stromy a lesy, Akademické nakladatelství CERM, 2012 (CS)
Buduma N. Fundamentals of Deep Learning, O'Reilly Media, 2017 (CS)

Jazyk výuky

čeština

Osnovy výuky

1. Úvod do problematiky klasifikace. Hodnocení klasifikátorů, chyba klasifikace, testování klasifikátorů.
2. Lineární klasifikátory – základní principy a metody.
3. Bayesovský přístup ke klasifikaci. Klasikátor typu Naive Bayes.
4. Vybrané typy neuronových sítí: Kohonenova, Hopfieldova a Boltzmanova.
5. Klasifikace metodou „Support vector machine“.
6. Rozhodovací a regresní stromy a lesy, náhodné lesy.
7. Metody pro zlepšování vlastností klasifikátorů (bagging, boosting).
8. Pokročilé metody výběru a visualizace příznaků (mRMR, t-SNE).
9. Principy hlubokého učení, hluboké neuronové sítě (NS) a základní stavební bloky.
10. Principy učení hlubokých NS. Požadavky na hardware.
11. Varianty hlubokých NS, autoenkodéry, rekurentní NS.
12. Aplikace klasifikačních úloh pro zpracování signálů, obrazů a bioinformatických dat. Příklady aplikací.
13. Implementační balíčky pro hluboké učení (Caffe, TensorFlow, Statistics and Machine Learning Toolbox pro Matlab aj.).

Zařazení předmětu ve studijních plánech

  • Program MPC-BTB magisterský navazující, 2. ročník, zimní semestr, 5 kreditů, povinný

  • Program EEKR-CZV celoživotní vzdělávání (není studentem)

    obor ET-CZV , 1. ročník, zimní semestr, 5 kreditů, povinný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

Cvičení na poč.

26 hod., nepovinná

Vyučující / Lektor

eLearning