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

Machine Learning 1

Přihlášení do KOSu pro zápis předmětu Zobrazit rozvrh
Kód Zakončení Kredity Rozsah Jazyk výuky
BIE-ML1.21 Z,ZK 5 2P+2C anglicky
Garant předmětu:
Daniel Vašata
Přednášející:
Rodrigo Augusto Da Silva Alves, Alexander Kovalenko, Daniel Vašata
Cvičící:
Rodrigo Augusto Da Silva Alves, Alexander Kovalenko, Daniel Vašata
Předmět zajišťuje:
katedra aplikované matematiky
Anotace:

The goal of this course is to introduce students to the basic methods of machine learning. They get theoretical understanding and practical working knowledge of regression and classification models in the supervised learning scenario and clustering models in the unsupervised scenario. Students will be aware of the relationships between model bias and variance, and know the fundamentals of assessing model quality. Moreover, they learn the basic techniques of data preprocessing and multidimensional data visualization. In practical demonstrations, pandas and scikit libraries in Python will be used.

Požadavky:

The knowledge of calculus, linear algebra and probability theory is assumed.

Osnova přednášek:

1. Introduction and basic concepts of Machine Learning

2. Supervised learning setup, Linear regression - Ordinary least squares

3. Linear regression - geometrical interpretation, numerical issues

4. Ridge regression, bias-variance trade-off

5. Classification setup, Decision trees

6. Ensemble methods (Random forests, Adaboost)

7. K-nearest neighbors for classification and regression

8. Logistic regression

9. Model evaluation, cross-validation

10. Feature selection

11. Unsupervised learning setup, Association rules

12. Hierarchical clustering, the k-means algorithm

Osnova cvičení:

1. Introduction, Python and jupyter notebooks

2. Supervised learning setup, Linear regression - Ordinary least squares

3. Linear regression - geometrical interpretation, numerical issues

4. Ridge regression, bias-variance trade-off

5. Classification setup, Decision trees

6. Ensemble methods (Random forests, Adaboost)

7. K-nearest neighbors for classification and regression

8. Logistic regression

9. Model evaluation, cross-validation

10. Feature selection

11. Unsupervised learning setup, Association rules

12. Hierarchical clustering, the k-means algorithm

Cíle studia:

The course aims to introduce students to a rapidly developing field of machine learning.

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:

All informations and course materials can be fond at https://courses.fit.cvut.cz/BIE-ML1/

Další informace:
https://courses.fit.cvut.cz/BIE-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
St
Čt
místnost T9:302
Kovalenko A.
07:30–09:00
(přednášková par. 1)
Dejvice
NBFIT učebna
místnost T9:348
Kovalenko A.
09:15–10:45
(přednášková par. 1
paralelka 101)

Dejvice
NBFIT PC ucebna

Rozvrh na letní semestr 2024/2025:
Rozvrh není připraven
Předmět je součástí následujících studijních plánů:
Platnost dat k 12. 12. 2024
Aktualizace výše uvedených informací naleznete na adrese https://bilakniha.cvut.cz/cs/predmet6627606.html