|
Vyučující
|
-
Fürst Tomáš, RNDr. Ph.D.
-
Vencálek Ondřej, doc. Mgr. Ph.D.
-
Pavlačka Ondřej, RNDr. Ph.D.
|
|
Obsah předmětu
|
1. Strojové učení - definice pojmu, typy řešených úloh. 2. Regresní metody - lineární regrese, logistická regrese, mnohonásobná regrese, analytická vs. iterační (Descent Gradient) metoda nalezení parametrů. 3. Validace modelu - underfitting, overfitting, regularizace, křížová validace, metriky hodnocení kvality klasifikace. 4. Neuronové sítě: a. Biologická motivace, matematický model. b. Feed forward neuronové sítě a backpropagation. c. Srovnání s regresí a logistickou regresí. 5. Support Vector Machines (SVM) - matematická podstata metody, srovnání s ostatními metodami. 6. Rozhodovací stromy (decision trees) - matematická podstata metody, odvozené metody (Decision Forests), srovnání s ostatními metodami. 7. Recommender Systems.
|
|
Studijní aktivity a metody výuky
|
|
Přednášení, Dialogická (diskuze, rozhovor, brainstorming), Demonstrace
|
|
Výstupy z učení
|
Porozumění metodám strojového učení Schopnost aktivní implementace metod strojového učení
Porozumění metodám strojového učení Schopnost aktivní implementace metod strojového učení
|
|
Předpoklady
|
lineární algebra, kalkulus, programování, angličtina
KMA/MA1 a zároveň KMA/BAYES a zároveň KAG/LA1A
|
|
Hodnoticí metody a kritéria
|
Analýza výkonů studenta, Rozbor díla tvůrčího charakteru (hudební, výtvarné, literární)
Kolokvium: aktivní účast, student prokáže, že prakticky zvládnul metody strojového učení tím, že na konkrétní datové sadě natrénuje nějaký ML algoritmus, provede jeho diagnostiku a obhájí formou prezentace.
|
|
Doporučená literatura
|
-
(2009). Data Mining, Inference, and Prediction. Second Edition, Springer.
-
Online přednáška.
-
Online přednáška.
-
Online přednáška.
-
Hastie, Trevor, Tibshirani, Robert, Friedman, Jerome. (2016). The Elements of Statistical Learning. Springer.
-
Christopher Bishop. (2011). Pattern recognition and machine learning. Springer.
|