Strojové učení 1

Garant předmětu:

Daniel Vašata

Přednášející:

Karel Klouda, Daniel Vašata

Cvičící:

Karel Klouda, Ivo Petr, Ondřej Tichý, Daniel Vašata

Předmět zajišťuje:

katedra aplikované matematiky

Anotace:

Cílem předmětu je seznámit studenty se základními metodami strojového učení. Studenti teoreticky porozumí a naučí se prakticky používat modely vhodné pro regresní i klasifikační úlohy ve scénáři učení s učitelem a také modely shlukování ve scénáři učení bez učitele. V předmětu bude také probrán vztah mezi vychýlením a variancí modelů (bias-variance trade-off) a vyhodnocování kvality modelů. Kromě toho se studenti naučí základní techniky předzpracování a vizualizace dat. Na cvičeních se k práci s daty a modely budou využívat knihovny pandas a scikit pro jazyk Python.

Požadavky:

Předpokládá se znalost lineární algebry, matematické analýzy a teorie pravděpodobnosti v rozsahu kurzů vyučovaných na fakultě.

Osnova přednášek:

1. Úvod a základní koncepty strojového učení

2. Supervizované učení, klasifikační úloha, rozhodovací stromy

3. Regresní úloha, Metoda nejbližších sousedů pro klasifikaci i regresi

4. Lineární regrese - metoda nejmenších čtverců

5. Lineární regrese - geometrická interpretace, numerické problémy

6. Hřebenová regrese, vztah vychýlení a rozptylu (bias-variance trade-off)

7. Logistická regrese

8. Ensemble metody - náhodné lesy, AdaBoost

9. Evaluace modelů, křížová validace

10. Výběr příznaků

11. Nesupervizované učení, asociační pravidla

12. Hierarchická shlukování a algoritmus k-means

Osnova cvičení:

1. Úvod, Python a jupyter notebooky

2. Supervizované učení, klasifikační úloha, rozhodovací stromy

3. Regresní úloha, Metoda nejbližších sousedů pro klasifikaci i regresi

4. Lineární regrese - metoda nejmenších čtverců

5. Lineární regrese - geometrická interpretace, numerické problémy

6. Hřebenová regrese, vztah vychýlení a rozptylu (bias-variance trade-off)

7. Logistická regrese

8. Ensemble metody - náhodné lesy, AdaBoost

9. Evaluace modelů, křížová validace

10. Výběr příznaků

11. Nesupervizované učení, asociační pravidla

12. Hierarchická shlukování a algoritmus k-means

Cíle studia:

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

Studijní materiály:

1. Deisenroth M. P. : Mathematics for Machine Learning. Cambridge University Press, 2020. ISBN 978-1108455145.

2. Alpaydin E. : Introduction to Machine Learning. MIT Press, 2020. ISBN 978-0262043793.

3. Murphy K. P. : Machine Learning: A Probabilistic Perspective. MIT Press, 2012. ISBN 978-0-262-01802-9.

4. Bishop Ch. M. : Pattern Recognition and Machine Learning. Springer, 2006. ISBN 978-0387-31073-2.

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

Poznámka:

Informace o předmětu a výukové materiály naleznete na https://courses.fit.cvut.cz/BI-ML1/

Další informace:

https://courses.fit.cvut.cz/BI-ML1/

Rozvrh na zimní semestr 2024/2025:

	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 T9:303 Vašata D. 14:30–16:00 (přednášková par. 1 paralelka 101) Dejvice NBFIT PC ucebnamístnost T9:303 Vašata D. 16:15–17:45 (přednášková par. 1 paralelka 102) Dejvice NBFIT PC ucebna
St	místnost T9:303 Petr I. 07:30–09:00 (přednášková par. 1 paralelka 104) Dejvice NBFIT PC ucebnamístnost TK:BS Vašata D. 16:15–17:45 (přednášková par. 1) Dejvice NTK Ballingův sál místnost T9:303 Petr I. 09:15–10:45 (přednášková par. 1 paralelka 105) Dejvice NBFIT PC ucebnamístnost T9:351 Tichý O. 12:45–14:15 (přednášková par. 1 paralelka 106) Dejvice NBFIT PC ucebnamístnost T9:351 Tichý O. 14:30–16:00 (přednášková par. 1 paralelka 107) Dejvice NBFIT PC ucebna
Čt	místnost TH:A-1142 Vašata D. 07:30–09:00 (přednášková par. 1 paralelka 103) Thákurova 7 (budova FSv) Apple lab
Pá

Rozvrh na letní semestr 2024/2025:

Rozvrh není připraven

Předmět je součástí následujících studijních plánů:

• Bc. specializace Informační bezpečnost, 2021 (volitelný předmět)
• Bc. specializace Manažerská informatika, 2021 (volitelný předmět)
• Bc. specializace Počítačová grafika, 2021 (volitelný předmět)
• Bc. specializace Počítačové inženýrství, 2021 (volitelný předmět)
• Bc. program, pro fázi studia bez specializace, 2021 (VO)
• Bc. specializace Webové inženýrství, 2021 (volitelný předmět)
• Bc. specializace Umělá inteligence, 2021 (PS)
• Bc. specializace Teoretická informatika, 2021 (povinně volitelný předmět, volitelný předmět)
• Bc. specializace Softwarové inženýrství, 2021 (volitelný předmět)
• Bc. specializace Počítačové systémy a virtualizace, 2021 (volitelný předmět)
• Bc. specializace Počítačové sítě a Internet, 2021 (volitelný předmět)
• Bc. specializace Informační bezpečnost, 2024 (volitelný předmět)
• Bc. program, pro fázi studia bez specializace, 2024 (VO)
• Bc. specializace Manažerská informatika, 2024 (volitelný předmět)
• Bc. specializace Počítačová grafika, 2024 (volitelný předmět)
• Bc. specializace Softwarové inženýrství, 2024 (volitelný předmět)
• Bc. specializace Webové inženýrství, 2024 (volitelný předmět)
• Bc. specializace Počítačové sítě a Internet, 2024 (volitelný předmět)
• Bc. specializace Počítačové inženýrství, 2024 (volitelný předmět)
• Bc. specializace Počítačové systémy a virtualizace, 2024 (volitelný předmět)
• Bc. specializace Umělá inteligence, 2024 (PS)
• Bc. specializace Teoretická informatika, 2024 (povinně volitelný předmět, volitelný předmět)