Logo ČVUT
Loading...
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
STUDIJNÍ PLÁNY
2024/2025
Fakulty | Celoškolská nabídka volitelných předmětů | Katalog předmětů ECTS | Nastavení | English version
Úvodní stránka > Fakulta informačních technologií > katedra aplikované matematiky > Pokročilé techniky strojového učení

Pokročilé techniky strojového učení

Předmět není vypsán Nerozvrhuje se
Kód Zakončení Kredity Rozsah Jazyk výuky
NI-AML Z,ZK 5 2P + 1C anglicky
Garant předmětu:
Přednášející:
Cvičící:
Předmět zajišťuje:
katedra aplikované matematiky
Anotace:

Předmět seznamuje studenty s vybranými pokročilými tématy strojového učení a umělé inteligence a jejich aplikace na reálné problémy. Témata představují techniky v oblasti doporučovacích systémů, zpracování obrazu, řízení i propojení fyzikálních zákonů s oblastí strojového učení.

Cílem cvičení je podrobně seznámit studenty s probíranými metodami.

Požadavky:

Doporučenou prerekvizitou je absolvování předmětu NI-MVI. Předpokládá se znalost témat hlubokého učení - dopředné, konvoluční neuronové sítě, autoencodery, transformery a evoluční algoritmy, neuroevoluce.

Osnova přednášek:

1. Introduction, Repeatable ML Projects - MLOps

2. Optimisation in Deep Learning

3. Recommender Systems

4. Recommender Systems

5. Continual Learning

6. ML in modeling and control

7. Advanced Image Processing

8. Physics informed ML

9. Interpretable and Explainable Models

10. Causal Machine Learning

11. Time Series Modeling

12. AI Alignment

Osnova cvičení:

1. Optimisation in Deep Learning

2. Recommender Systems

3. ML in modeling and control

4. Physics informed ML

5. Interpretable and Explainable Models

6. Semestral project presentation

Cíle studia:

Předmět seznamuje studenty s vybranými pokročilými tématy strojového učení a umělé inteligence a jejich aplikace na reálné problémy. Témata představují techniky v oblasti doporučovacích systémů, zpracování obrazu, řízení i propojení fyzikálních zákonů s oblastí strojového učení.

Studijní materiály:

[1] Silva, N., Werneck, H., Silva, T., Pereira, A. C., & Rocha, L. (2022). Multi-Armed Bandits in Recommendation Systems: A survey of the state-of-the-art and future directions. Expert Systems with Applications

[2] McAuley, J. (2022). Personalized Machine Learning. Cambridge University Press.

[3] Gift, N., & Deza, A. (2021). Practical MLOps. „ O'Reilly Media, Inc.“.

[4] Rajendra, P., Ravi. PVN, H., & Naidu T, G. (2021). Optimization methods for deep neural networks. In AIP Conference Proceedings (Vol. 2375, No. 1, p. 020034). AIP Publishing LLC.

[5] Bagus, B., Gepperth, A., & Lesort, T. (2022). Beyond Supervised Continual Learning: a Review.

[6] Karniadakis, G. E., Kevrekidis, I. G., Lu, L., Perdikaris, P., Wang, S., & Yang, L. (2021). Physics-informed machine learning. Nature Reviews Physics, 3(6), 422-440.

[7] Kirchner, J. H., Smith, L., Thibodeau, J., McDonell, K., & Reynolds, L. (2022). Researching Alignment Research: Unsupervised Analysis.

[8] Lim, B., & Zohren, S. (2021). Time-series forecasting with deep learning: a survey. Philosophical Transactions of the Royal Society

[9] Ismail Fawaz, H., Forestier, G., Weber, J., Idoumghar, L., & Muller, P. A. (2019). Deep learning for time series classification: a review. Data mining and knowledge discovery

Poznámka:

Informace o předmětu a výukové materiály naleznete na http://courses.fit.cvut.cz/NI-AML

Další informace:
http://courses.fit.cvut.cz/NI-AML
Pro tento předmět se rozvrh nepřipravuje
Předmět je součástí následujících studijních plánů:
Platnost dat k 3. 10. 2024
Copyright © Jiří Kosek, 2010–2022 | Copyright © ČVUT, 2010–2022
Provozuje Výpočetní a informační centrum ČVUT
Dotazy a připomínky zasílejte na HelpDesk ČVUT nebo na spravcekos@cvut.cz
Aktualizace výše uvedených informací naleznete na adrese https://bilakniha.cvut.cz/cs/predmet7416006.html