| Název předmětu | Pokročilé metody strojového učení a hluboké učení |
|---|---|
| Kód předmětu | KMA/DEEP |
| Organizační forma výuky | Přednáška + Cvičení |
| Úroveň předmětu | Magisterský |
| Rok studia | 1 |
| Semestr | Zimní |
| Počet ECTS kreditů | 5 |
| Vyučovací jazyk | Čeština |
| Statut předmětu | Povinný, Povinně-volitelný |
| Způsob výuky | Kontaktní |
| Studijní praxe | Nejedná se o pracovní stáž |
| Doporučené volitelné součásti programu | Není |
| Vyučující |
|---|
|
|
| Obsah předmětu |
|
1. Ensemble Learning: Základní myšlenka, paralelní techniky (voting, bagging, ?), sekvenční techniky (boosting metody, gradient boosting metody) 2. Úvod do hlubokého učení (Deep Learning). Dopředné umělé neuronové sítě (Multi-Layer Perceptron, MLP) a algoritmus Backpropagation 3. Optimalizační metody a regularizace v hlubokém učení 4. Konvoluční neuronové sítě (Convolutional Neural Networks, CNN), pokročilé architektury (ResNet, ?), Transfer Learning 5. Zpracování sekvenčních dat: Rekurentní neuronové sítě (RNN) 6. Řešení dlouhodobých závislostí: Architektury LSTM a GRU 7. Mechanismus pozornosti (Attention) a Query-Key-Value formalismus 8. Architektura Transformer a moderní jazykové modely (LLM) 9. Hluboké generativní modely: Variační autoenkodéry (VAE) a GAN 10. Zpětnovazební učení (Reinforcement Learning) a Deep Q-Network (DQN)
|
| Studijní aktivity a metody výuky |
| Přednášení, Dialogická (diskuze, rozhovor, brainstorming) |
| Výstupy z učení |
| Předpoklady |
|
nespecifikováno
|
| Hodnoticí metody a kritéria |
|
nespecifikováno
Zápočet: Samostatně vyřešit zadané úlohy z oblasti strojového a hlubokého učení. Zkouška: Ústní. |
| Doporučená literatura |
|
|
| Studijní plány, ve kterých se předmět nachází |
| Fakulta | Studijní plán (Verze) | Kategorie studijního oboru/specializace | Doporučený semestr | |
|---|---|---|---|---|
| Fakulta: Přírodovědecká fakulta | Studijní plán (Verze): Matematika (2026) | Kategorie: Matematické obory | 1 | Doporučený ročník:1, Doporučený semestr: Zimní |