Logo ČVUT
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
STUDIJNÍ PLÁNY
2024/2025

Strojové učení 2

Předmět není vypsán Nerozvrhuje se
Kód Zakončení Kredity Rozsah Jazyk výuky
BI-ML2.21 Z,ZK 5 2P+2C česky
Garant předmětu:
Přednášející:
Cvičící:
Předmět zajišťuje:
katedra aplikované matematiky
Anotace:

Cílem předmětu je seznámit studenty s vybranými pokročilejšími metodami strojového učení. Ve scénáři učení s učitelem se jedná zejména o jádrové metody a neuronové sítě. Ve scénáři učení bez učitele se jedná o analýzu hlavních komponent a další metody redukce dimenzionality. Kromě toho se studenti obeznámí se základy posilovaného učení a strojového zpracování přirozeného jazyka.

Požadavky:

Předpokládá se znalost lineární algebry, matematické analýzy, teorie pravděpodobnosti v rozsahu kurzů vyučovaných na fakultě. Dále se předpokládá znalost strojového učení odpovídající rozsahu kurzu BI-ML1 na fakultě.

Osnova přednášek:

1. Lineární model bázových funkcí, jádrová regrese

2. Metoda podpůrných vektorů (SVM) pro klasifikaci

3. Redukce dimenzionality - analýza hlavních komponent (PCA)

4. Redukce dimenzionality - lineární diskriminační analýza, lokálně lineární vnoření

3. Generativní modely - naivní Bayes

6. Neuronové sítě - perceptron, vícevrstvý perceptron, hluboké učení

7. Neuronové sítě - zpětné šíření chyby, regularizace

8. Neuronové sítě - konvoluční neuronové sítě

9. Neuronové sítě - rekurentní neuronové sítě, moderní metody

10. Posilované učení - úvod, mnohoruký bandita

11. Posilované učení - markovův rozhodovací proces

12. Strojové zpracování přirozeného jazyka

Osnova cvičení:

1. Lineární model bázových funkcí, jádrová regrese

2. Metoda podpůrných vektorů (SVM)

3. Redukce dimenzionality - analýza hlavních komponent (PCA)

4. Redukce dimenzionality - lineární diskriminační analýza, lokálně lineární vnoření

3. Generativní modely - naivní Bayes

6. Neuronové sítě - perceptron, vícevrstvý perceptron

7. Neuronové sítě - hluboké sítě

8. Neuronové sítě - konvoluční neuronové sítě

9. Neuronové sítě - rekurentní neuronové sítě

10. Posilované učení I

11. Posilované učení II

12. Strojové zpracování přirozeného jazyka

Cíle studia:

Cílem předmětu je poskytnout základní úvod do pokročilejších metod velmi rychle se rozvíjejícího oboru strojového učení.

Studijní materiály:

1. Hastie T., Tibshirani R., Friedman, J. : The Elements of Statistical Learning. Springer, 2009. ISBN 978-0-387-84857-0.

2. Goodfellow I., Bengio Y., Courville A. : Deep Learning. MIT Press, 2016. ISBN 978-0-262-03561-3.

3. Sutton R. S., Barto A. G. : Reinforcement Learning. MIT Press, 2018. ISBN 978-0-262-03924-6.

Poznámka:

Informace o předmětu a výukové materiály naleznete na https://courses.fit.cvut.cz/BI-ML2/

Další informace:
https://courses.fit.cvut.cz/BI-ML2/
Pro tento předmět se rozvrh nepřipravuje
Předmět je součástí následujících studijních plánů:
Platnost dat k 2. 11. 2024
Aktualizace výše uvedených informací naleznete na adrese https://bilakniha.cvut.cz/cs/predmet6576906.html