Detail předmětu
Machine Learning
FEKT-NSTUAk. rok: 2019/2020
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.
Garant předmětu
Zajišťuje ústav
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.
Doporučená nebo povinná literatura
Mitchell, Tom M. Machine learning. Boston : McGraw-Hill, 1997. 414 s. McGraw-Hill series in computer science. ISBN 0-07-042807-7. (EN)
Plánované vzdělávací činnosti a výukové metody
Metody vyučování zahrnují přednášky a cvičení. Student odevzdává jeden samostatný projekt.
Způsob a kritéria hodnocení
Zápočet (projekt): 20 bodů.
Zkouška: 80 bodů.
Získání zápočtu není podmíněno počtem bodů získaných za projekt.
Jazyk výuky
angličtina
Osnovy výuky
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.
Cíl
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 je registrace projektu a jeho odevzdání. Veškeré ostatní součásti výuky jsou nepovinné.