Seminář strojového učení

Garant předmětu:

Jan Flusser

Přednášející:

Jan Flusser

Cvičící:

Jan Flusser

Předmět zajišťuje:

katedra matematiky

Anotace:

Cílem předmětu je poskytnout úvod do strojového učení, dataminingu a statistického rozpoznávání obrazu. Hlavní pozornost je věnována základním metodám učení s učitelem, shlukové analýze a redukci dimenzionality. Výklad teorie bude doprovázen ukázkami experimentů a praktických aplikací.

Požadavky:

Osnova přednášek:

1)Úvod do strojového učení, historie a vývoj metod strojového učení, potřebná teorie z pravděpodobnosti a statisticky.

2)Učení bez učitele – Shlukování, K-means, Ward‘s methods, MBC, EM algoritmus.

3)Učení s učitelem, popis základních metod, k-NN, Linearní diskriminanty (Fisher, Bayes), logistická regrese

4)Support vector machine, Lineární a nelineární SVM, jádrové funkce

5)Validace modelu, binární klasifikace (Přesnost, specificita, senzitivita, ROC křivka), ztrátová funkce, přetrénování – přeučení modelu, křížová a validace, bootstrap.

6)Redukce dimenzionality, metody výběru příznaků, PCA (SVD), projection pursuit

7)Rozhodovací stromy, rekurzivní dělení, rozděluj a panuj, nejlepší dělením prořezávání, náhodné lesy.

8)Úvod do neuronových sítí, Perceptron, MLP, backpropagation.

9)Ukázky reálných aplikací

Osnova cvičení:

Cíle studia:

Studijní materiály:

Povinná literatura:

[1] Ch. M. Bishop, Pattern Recognition and Machine Learning, Springer, 2011.

[2] A. C. Müller, S. Guido, Introduction to Machine Learning with Python: A Guide for Data Scientists , O'Reilly, 2016.

Doporučená literatura:

[3] Duda R.O. et al., Pattern Classification, (2nd ed.), John Wiley, New York, 2007

Studijní pomůcky:

Budou poskytnuty kompletní materiály k přednáškám i k cvičením na webových stránkách předmětu

Poznámka:

Rozvrh na zimní semestr 2023/2024:

Rozvrh není připraven

Rozvrh na letní semestr 2023/2024:

Rozvrh není připraven

Předmět je součástí následujících studijních plánů: