Strojové učení v praxi

Garant předmětu:

Daniel Vašata

Přednášející:

Jan Hučín

Cvičící:

Jan Hučín

Předmět zajišťuje:

katedra aplikované matematiky

Anotace:

Aplikace metod strojového učení na reálných projektech v praxi je spojena s mnoha dalšími nezbytnými úkony – počínaje porozuměním záměrů zadavatele a konče v ideálním případě technickou implementací. Předmět studenty provede všemi fázemi projektu podle standardní metodiky CRISP-DM, a to nejen teoreticky, ale i prakticky. Cílem je vyzkoušet si zpracování reálných dat a naučit se popsat celý proces od explorace po vyhodnocení výkonnosti modelu formou srozumitelného a přehledného reportu.

Požadavky:

BI-ML1/BI-ML2

Osnova přednášek:

1. Strojové učení v kontextu Data science projektů. Metodika CRISP-DM.

2. Základní technologie pro analýzu a zpracování dat.

3. Data understanding.

4. Statistická inference.

5. Aplikovaný bayesianismus.

6. Tvorba srozumitelného reportu.

7. Data preparation.

8. Praxe modelování a hodnocení modelů.

9. Interpretabilita modelů.

10. Aplikace principů SW inženýrství.

11. Využití technologií pro Big Data.

12. Limity statistických metod.

Osnova cvičení:

1. Praktické osahání vybraných technologií (pandas, scikit-learn, seaborn, mlflow, ...)

2. Základní explorace a vizualizace, formulace zjištění a doporučení pro čištění dat.

3. Praktické řešení úloh pomocí bayesovského uvažování.

4. Nástroje na tvorbu reportu (Quarto, pretty-jupyter, ...)

5. Zpracování reálných dat: transformace dat a extrakce příznaků, 6. sestavení referenčního modelu a jeho vylepšování.

Cíle studia:

Cílem předmětu je poskytnout studentům vhled do projektového přístupu k řešení reálných projektů strojového učení v praxi. Cílem je vyzkoušet si zpracování reálných dat a podle standardní metodiky CRISP-DM se naučit popsat celý proces od explorace po vyhodnocení výkonnosti modelu formou srozumitelného a přehledného reportu.

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.

Poznámka:

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

Další informace:

https://courses.fit.cvut.cz/NI-MLP/

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	místnost T9:350 Hučín J. 09:15–10:45 (přednášková par. 1) Dejvice NBFIT PC ucebnamístnost T9:350 Hučín J. 11:00–11:45 (přednášková par. 1 paralelka 101) Dejvice NBFIT PC ucebna
Út
St
Čt
Pá

Rozvrh na letní semestr 2024/2025:

Rozvrh není připraven

Předmět je součástí následujících studijních plánů:

• Mgr. specializace Teoretická informatika, 2018-2019 (volitelný předmět)
• Mgr. specializace Počítačová bezpečnost, 2020 (volitelný předmět)
• Mgr. specializace Návrh a programování vestavných systémů, 2020 (volitelný předmět)
• Mgr. specializace Počítačové systémy a sítě, 2020 (volitelný předmět)
• Mgr. specializace Manažerská informatika, 2020 (volitelný předmět)
• Mgr. specializace Softwarové inženýrství, 2020 (volitelný předmět)
• Mgr. specializace Systémové programování, verze od 2020 (volitelný předmět)
• Mgr. specializace Webové inženýrství, 2020 (volitelný předmět)
• Mgr. specializace Znalostní inženýrství, 2020 (volitelný předmět)
• Mgr. specializace Teoretická informatika, 2020 (volitelný předmět)
• Mgr. program, pro fázi studia bez specializace, ver. pro roky 2020 a vyšší (volitelný předmět)
• Study plan for Ukrainian refugees (volitelný předmět)
• Mgr. specializace Systémové programování, verze od 2023 (volitelný předmět)
• Mgr. specializace Teoretická informatika, 2023 (volitelný předmět)