Logo ČVUT
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
STUDIJNÍ PLÁNY
2024/2025

Strojové učení 1

Přihlášení do KOSu pro zápis předmětu Zobrazit rozvrh
Kód Zakončení Kredity Rozsah Jazyk výuky
BI-ML1.21 Z,ZK 5 2P+2C česky
Garant předmětu:
Daniel Vašata
Přednášející:
Karel Klouda, Daniel Vašata
Cvičící:
Karel Klouda, Ondřej Tichý, Daniel Vašata
Předmět zajišťuje:
katedra aplikované matematiky
Anotace:

Cílem předmětu je seznámit studenty se základními metodami strojového učení. Studenti teoreticky porozumí a naučí se prakticky používat modely vhodné pro regresní i klasifikační úlohy ve scénáři učení s učitelem a také modely shlukování ve scénáři učení bez učitele. V předmětu bude také probrán vztah mezi vychýlením a variancí modelů (bias-variance trade-off) a vyhodnocování kvality modelů. Kromě toho se studenti naučí základní techniky předzpracování a vizualizace dat. Na cvičeních se k práci s daty a modely budou využívat knihovny pandas a scikit pro jazyk Python.

Požadavky:

Předpokládá se znalost lineární algebry, matematické analýzy a teorie pravděpodobnosti v rozsahu kurzů vyučovaných na fakultě.

Osnova přednášek:

1. Úvod a základní koncepty strojového učení

2. Supervizované učení, klasifikační úloha, rozhodovací stromy

3. Regresní úloha, Metoda nejbližších sousedů pro klasifikaci i regresi

4. Lineární regrese - metoda nejmenších čtverců

5. Lineární regrese - geometrická interpretace, numerické problémy

6. Hřebenová regrese, vztah vychýlení a rozptylu (bias-variance trade-off)

7. Logistická regrese

8. Ensemble metody - náhodné lesy, AdaBoost

9. Evaluace modelů, křížová validace

10. Výběr příznaků

11. Nesupervizované učení, asociační pravidla

12. Hierarchická shlukování a algoritmus k-means

Osnova cvičení:

1. Úvod, Python a jupyter notebooky

2. Supervizované učení, klasifikační úloha, rozhodovací stromy

3. Regresní úloha, Metoda nejbližších sousedů pro klasifikaci i regresi

4. Lineární regrese - metoda nejmenších čtverců

5. Lineární regrese - geometrická interpretace, numerické problémy

6. Hřebenová regrese, vztah vychýlení a rozptylu (bias-variance trade-off)

7. Logistická regrese

8. Ensemble metody - náhodné lesy, AdaBoost

9. Evaluace modelů, křížová validace

10. Výběr příznaků

11. Nesupervizované učení, asociační pravidla

12. Hierarchická shlukování a algoritmus k-means

Cíle studia:

Cílem předmětu je poskytnout základní úvod do velmi rychle se rozvíjejícího oboru strojového učení.

Studijní materiály:

1. Deisenroth M. P. : Mathematics for Machine Learning. Cambridge University Press, 2020. ISBN 978-1108455145.

2. Alpaydin E. : Introduction to Machine Learning. MIT Press, 2020. ISBN 978-0262043793.

3. Murphy K. P. : Machine Learning: A Probabilistic Perspective. MIT Press, 2012. ISBN 978-0-262-01802-9.

4. Bishop Ch. M. : Pattern Recognition and Machine Learning. Springer, 2006. ISBN 978-0387-31073-2.

5. Hastie T., Tibshirani R., Friedman J. : The Elements of Statistical Learning. Springer, 2009. ISBN 978-0-387-84857-0.

Poznámka:

Informace o předmětu a výukové materiály naleznete na https://courses.fit.cvut.cz/BI-ML1/

Další informace:
https://courses.fit.cvut.cz/BI-ML1/
Rozvrh na zimní semestr 2024/2025:
Rozvrh není připraven
Rozvrh na letní semestr 2024/2025:
Rozvrh není připraven
Předmět je součástí následujících studijních plánů:
Platnost dat k 13. 6. 2024
Aktualizace výše uvedených informací naleznete na adrese https://bilakniha.cvut.cz/cs/predmet6577006.html