|
Vyučující
|
-
Fürst Tomáš, RNDr. Ph.D.
-
Pavlačka Ondřej, RNDr. Ph.D.
|
|
Obsah předmětu
|
1. Strojové učení, definice pojmu, typy řešených úloh. 2. Metody založené na obecné lineární regresi, lineární regrese, logistická regrese, vícenásobná regrese, metody nalezení parametrů. 3. Validace modelu, underfitting, overfitting, regularizace, křížová validace, metriky hodnocení kvality klasifikace. 4. Umělé neuronové sítě: a) Biologická motivace, matematický model, b) Feed forward neuronové sítě a backpropagation, c) srovnání s metodami založenými na obecné lineární regresi. 5. Rozhodovací stromy (Decision Trees), matematická podstata metody, odvozené metody (Decision Forests), srovnání s předchozími metodami. 6. Support Vector Machines (SVM), matematická podstata metody, srovnání s předchozími metodami. 7. Recommender Systems, formulace problému, filtrování na základě obsahu, kolaborativní filtrování.
|
|
Studijní aktivity a metody výuky
|
|
Přednášení, Monologická (výklad, přednáška, instruktáž), Dialogická (diskuze, rozhovor, brainstorming)
|
|
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 KAG/LA1A a zároveň KMA/BAY
|
|
Hodnoticí metody a kritéria
|
Rozhovor, Seminární práce
Ústní zkouška. Zápočet: aplikace vybrané metody ML na konkrétní datovou sadu.
|
|
Doporučená literatura
|
-
Bishop, Ch. M. (2011). Pattern recognition and machine learning.
-
Bishop, Ch.M., Bishop, H. (2024). Deep Learning: Foundations and Concepts.
-
Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. Sebastopol.
-
Hastie, T., Tibshirani, R., Friedman, J. (2016). The Elements of Statistical Learning.
-
Chollet, F. (2021). Deep Learning with Python.
-
Raschka, S., Mirjali, V. (2019). Python Machine Learning. Birmingham.
|