|
Vyučující
|
-
Fačevicová Kamila, Mgr. Ph.D.
-
Hron Karel, prof. RNDr. Ph.D.
|
|
Obsah předmětu
|
1. Základy statistického učení 2. Lineární regrese 3. Klasifikace 4. Resamplingové metody - křížová validace a bootstrap 5. Výběr lineárního modelu a regularizace 6. Za hranice linearity - spliny, zobecněné aditivní modely 7. Deep learning 8. Analýza přežití 9. Učení bez učitele (PCA, shluková analýza)
|
|
Studijní aktivity a metody výuky
|
Přednášení, Dialogická (diskuze, rozhovor, brainstorming), Demonstrace
- Příprava na zkoušku
- 40 hodin za semestr
- Příprava na zápočet
- 20 hodin za semestr
- Účast na výuce
- 52 hodin za semestr
|
|
Výstupy z učení
|
Porozumět užívaným pokročilým metodám statistického učení včetně jejich implementace ve statistickém software R.
Aplikace Aplikovat poznatky z teorie pravděpodobnosti a matematické statistiky v metodách statistického učení.
|
|
Předpoklady
|
Znalost základů teorie pravděpodobnosti a mnohorozměrné statistiky.
|
|
Hodnoticí metody a kritéria
|
Ústní zkouška, Seminární práce
Zápočet: prezentace projektu pokrývajícího témata předmětu Zkouška: ústní zkouška
|
|
Doporučená literatura
|
-
B. Efron, R. Hastie. (2017). Computer age statistical inference. Cambridge University Press, Cambridge.
-
Everitt, B., Hothorn, T. (2011). An introduction to applied multivariate analysis with R. Springer, Heidelberg.
-
I. Goodfellow, Y. Bengio, A. Courville. (2016). Deep Learning. MIT Press, Boston.
-
James, G., Witten, D., Hastie, T., Tibshirani, R. (2021). An introduction to statistical learning. An introduction to statistical learning.
-
T. Hastie, R. Tibshirani, J. Friedman. (2016). The elements of statistical learning. Springer, New York.
|