Úvod do strojového učení
Kód | Zakončení | Kredity | Rozsah | Jazyk výuky |
---|---|---|---|---|
01USU | Z,ZK | 4 | 2P+2C | česky |
- Garant předmětu:
- Přednášející:
- Cvičící:
- Předmět zajišťuje:
- katedra matematiky
- Anotace:
-
Cílem předmětu je poskytnout široký 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. Cvičení probíhají v počítačových laboratořích v jazyce Python s důrazem na implementaci a použití algoritmů strojového učení aplikovaných na reálné problémy a reálná data.
- Požadavky:
- Osnova přednášek:
-
1)Úvod do strojovéhu učení, historie a vývoj metod strojovéhu učení, potřebná teorie z pravděpodobnsoti 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, Linearní 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:
- Další informace:
- Pro tento předmět se rozvrh nepřipravuje
- Předmět je součástí následujících studijních plánů:
-
- Aplikované matematicko-stochastické metody (povinný předmět programu)