Znalosti - dobývání a využívání

Přednášející:

Filip Železný (gar.), Jiří Kléma

Cvičící:

Filip Železný (gar.), Matěj Holec, Jan Hrdlička, Jiří Kléma, Ondřej Kuželka, Andrea Szabóová

Předmět zajišťuje:

katedra kybernetiky

Anotace:

Předmět se soustředí na metody strojového učení, data miningu a reprezentace znalostí. Techniky budou ilustrovány zejm. na bioinfoinformatických aplikacích.

Požadavky:

Korekvizitou X33ZDV je souběžný povinný předmět X33RZO. Pro zápočet je vyžadována prezence dle studijních předpisů a odevzdání všech čtyř semestrálních úloh. Ze cvičení je možno získat až 50 bodů (viz popis cvičení), ze zkoušky též 50 bodů. Klasifikace je následující:

80-100: 1

70-79: 2

60-69: 3

0-59: 4

Osnova přednášek:

Přednášky

1. Úvod do strojového učení a data miningu

2. Grafické pravděpodobnostní modely

3. Grafické pravděpodobnostní modely II

4. Markovské modely a gramatiky

5. Pravděpodobnostní relační modely

6. Hierarchické shlukování, hledání asociací, algoritmus Apriori, hledání častých podgrafů

7. Hledání asociací v relačních datech

8. Klasifikace a PAC-naučitelnost

9. Rozhodovací pravidla a stromy (PAC naučitelnost a heuristické přístupy)

10. Techniky hodnocení a výběru klasifikačních modelů

11. Relační rozhodovací pravidla, induktivní logické programování

12. Relační rozhodovací stromy

13. Text a web mining

14. Sémantický web a ontologie

Osnova cvičení:

1. Úvod, organizace cvičení, ukázky relevantního softwaru v Matlabu (grafické modely, hierarchické shlukování)

2. Ukázka nástroje Weka pro data mining

3. Ukázka nástroje Aleph pro induktivní logické programování

4. Zadání úlohy 1

5. Samostatná práce na úloze 1

6. Prezentace úlohy 1, zadání úlohy 2

7. Samostatná práce na úloze 2

8. Průběžný test [10 b]

9. Samostatná práce na úloze 2

10. Prezentace úlohy 2, zadání úlohy 3

11. Samostatná práce na úloze 3

12. Prezentace úlohy 3, zadání úlohy 4

13. Samostatná práce na úloze 4

14. Prezentace úlohy 4, zápočty

úloha 1: Matlab - naučení/inference z markovského modelu nebo bayesovské sítě [10 b]

úloha 2: Implementace algoritmu Apriori, hierarchického shlukování nebo hledání podgrafů [10 b]

úloha 3: Weka - sestrojení experimentu pro výběr modelu [10 b]

úloha 4: Aleph - sestrojení ILP experimentu [10 b]

Při odevzdání úlohy s max. týdenním zpožděním jsou strženy 3 body. Při odevzdání úlohy s delším zpožděním lze získat pouze jeden bod.

Cíle studia:

Studijní materiály:

- Mařík, V. a kol.: Umělá inteligence I-IV. Academia. Praha, 1999-2001

- T. Mitchell: Machine Learning, McGraw Hill, 1997.

- Hastie T., Tibshirani R., J Friedman: The Elements of

Statistical Learning:

Data Mining, Inference, and Prediction. Springer 2001

- Dzeroski S., Lavrac N.: Relational Data Mining, Springer 2001

Poznámka:

Rozsah výuky v kombinované formě studia: 14+4

Typ cvičení: s, c, p

Předmět je nabízen také v anglické verzi.

Obor BM

Další informace:

Pro tento předmět se rozvrh nepřipravuje

Předmět je součástí následujících studijních plánů:

• Biomedicínské inženýrství- strukturované studium (povinně volitelný předmět)