Logo ČVUT
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
STUDIJNÍ PLÁNY
2023/2024
UPOZORNĚNÍ: Jsou dostupné studijní plány pro následující akademický rok.

Algoritmy data miningu

Přihlášení do KOSu pro zápis předmětu Zobrazit rozvrh
Kód Zakončení Kredity Rozsah Jazyk výuky
NI-ADM Z,ZK 5 2P+1C česky
Garant předmětu:
Pavel Kordík
Přednášející:
Rodrigo Augusto Da Silva Alves, Pavel Kordík, Daniel Vašata
Cvičící:
Rodrigo Augusto Da Silva Alves, Pavel Kordík, Daniel Vašata
Předmět zajišťuje:
katedra aplikované matematiky
Anotace:

Studenti se seznámí s algoritmy používanými v data miningu a strojovém učení, případně si prohloubí znalosti z předchozího studia. U studentů se předpokládá, že již základy data miningu znají. V předmětu budou vedle moderních algoritmů data miningu (např. gradient boosting) představeny i nové typy úloh (např. doporučovací systémy) a modelů (např. jádrové metody).

Požadavky:

základy statistiky, algoritmizace, BI-ML1/BI-ML2

Osnova přednášek:

1. Rekapitulace základních metod data miningu a jejich aplikací.

2. Vyhodnocování modelů.

3. Bias variance dekompozice, negative correlation learning.

4. Rozhodovací stromy a na nich založené ensemble metody.

5. - 6. (2) Boosting, gradient boosting (XGBoost).

7. Úvod do jádrových metod.

8. Jádrové metody.

9. Moderní jádrové metody.

10.-11. (2) Úvod do doporučovacích systémů, použití metody kNN.

12. Faktorizační metody pro doporučování.

13. Učení hyperparametrů, AutoML, nové trendy.

Osnova cvičení:

(1-6) Různé ukázky a podrobné příklady na vyhodnocování modelů a vybrané algoritmy strojového učení.

Cíle studia:

Předmět je vhodný pro studenty, kteří se chtějí seznámit s disciplínou vytěžování znalostí z dat (data mining). Pokrývá nejužitečnější algoritmy, které lze snadno využít v kterékoli oblasti informatiky.

Studijní materiály:

1. Hastie, T. - Tibshirani, R. - Friedman, J. : The Elements of Statistical Learning, Data Mining, Inference and Prediction. Springer, 2011. ISBN 978-0387848570.

2. Murphy, K. P. : Machine Learning: A Probabilistic Perspective (Adaptive Computation and Machine Learning series). MIT Press, 2012. ISBN 978-0262018029.

3. Shai Shalev-Shwartz, Shai Ben-David : Understanding Machine Learning, From Theory to Algorithms. Cambridge University Press, 2014. ISBN 978-1107057135.

4. Aggarwal, Ch. C. : Recommender Systems. Springer, 2016. ISBN 978-3319296579.

Poznámka:

Chybí osnova cvičení. Informace o předmětu a výukové materiály naleznete na https://courses.fit.cvut.cz/NI-ADM/

Další informace:
https://courses.fit.cvut.cz/NI-ADM/
Rozvrh na zimní semestr 2023/2024:
Rozvrh není připraven
Rozvrh na letní semestr 2023/2024:
06:00–08:0008:00–10:0010:00–12:0012:00–14:0014:00–16:0016:00–18:0018:00–20:0020:00–22:0022:00–24:00
Po
Út
místnost TH:A-s135
Da Silva Alves R.
Vašata D.

14:30–16:00
(přednášková par. 1)
Thákurova 7 (budova FSv)
As135
místnost T9:302
Da Silva Alves R.
Vašata D.

16:15–17:45
SUDÝ TÝDEN

(přednášková par. 1
paralelka 101)

Dejvice
NBFIT učebna
místnost T9:302
Da Silva Alves R.
Vašata D.

16:15–17:45
LICHÝ TÝDEN

(přednášková par. 1
paralelka 102)

Dejvice
NBFIT učebna
St
místnost T9:302
Da Silva Alves R.
Vašata D.

14:30–16:00
LICHÝ TÝDEN

(přednášková par. 1
paralelka 103)

Dejvice
NBFIT učebna
Čt

Předmět je součástí následujících studijních plánů:
Platnost dat k 27. 3. 2024
Aktualizace výše uvedených informací naleznete na adrese https://bilakniha.cvut.cz/cs/predmet6099706.html