Znalosti - dobývání a využívání
Kód | Zakončení | Kredity | Rozsah | Jazyk výuky |
---|---|---|---|---|
X33ZDV | Z,ZK | 4 | 2+2s | česky |
- 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)