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

Data Mining Algorithms

Předmět není vypsán Nerozvrhuje se
Kód Zakončení Kredity Rozsah Jazyk výuky
NIE-ADM Z,ZK 5 2P+1C anglicky
Garant předmětu:
Pavel Kordík
Přednášející:
Rodrigo Augusto Da Silva Alves, Pavel Kordík
Cvičící:
Rodrigo Augusto Da Silva Alves, Pavel Kordík
Předmět zajišťuje:
katedra aplikované matematiky
Anotace:

The course focuses on algorithms used in the fields of machine learning and data mining. However, this is not an introductory course, and the students should know machine learning basics. The emphasis is put on advanced algorithms (e.g., gradient boosting) and non-basic kinds of machine learning tasks (e.g., recommendation systems) and models (e.g., kernel methods).

Požadavky:

Statistics, algorithmization, BIE-VZD - Introduction to data mining.

Osnova přednášek:

1. Recalling basic data mining methods and their applications.

2. Model evaluation.

3. Bias-variance decomposition, negative correlation learning.

4. Decision trees and ensemble methods based on them.

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

7. Introduction to kernel methods.

8. Kernel methods.

9. Modern kernel methods.

10. - 11. (2) Introduction to recommendation systems, usage of kNN.

12. Matrix factorisation for reccomendation.

13. Hyperparameters tuning, AutoML, new trends.

Osnova cvičení:

(1-6) Various topics and in-depth examples of model evaluation techniques and selected algorithms

Cíle studia:

The course is suitable for those who want to familiarize themselves with the exceedingly interesting and useful discipline of data mining. The course covers the most useful algorithms that can be easily applied in any field of science.

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 a odkaz na webovou stránku předmětu. Informace o předmětu a výukové materiály naleznete na https://courses.fit.cvut.cz/MI-ADM/

Další informace:
Pro tento předmět se rozvrh nepřipravuje
Předmět je součástí následujících studijních plánů:
Platnost dat k 30. 5. 2024
Aktualizace výše uvedených informací naleznete na adrese https://bilakniha.cvut.cz/cs/predmet6770606.html