|
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
|
|
nespecifikováno
|
|
Výstupy z učení
|
|
|
|
Předpoklady
|
nespecifikováno
KMA/MA1 a zároveň KAG/LA1A a zároveň KMA/BAY
|
|
Hodnoticí metody a kritéria
|
nespecifikováno
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. 2nd Ed. O´Reilly.
-
Hastie, T., Tibshirani, R., Friedman, J. (2016). The Elements of Statistical Learning.
-
Chollet, F. (2021). Deep Learning with Python. 2nd Edition. Manning.
-
Raschka, S., Mirjali, V. (2019). Python Machine Learning. Birmingham.
|