1. Rozdělení úloh strojového učení 2. Klasifikace dat, typy klasifikátorů 3. Příprava dat a datasetů: nahrazení chybějících dat, práce s kategorickými daty 4. Problematika dimenzionality dat a metody její redukce 5. Rozhodovací stromy (typy metrik, konstrukce) 6. Lineární klasifikace, lineární separovatelnost, lineární perceptron a jeho učení, logistická regrese 7. Metoda podpůrných vektorů (SVM): formulace problému, SVM jako optimalizační úloha 8. Metoda podpůrných vektorů: problematika hranice (soft-margin), duální formulace SVM, řešení pomocí kvadratického programování, SMO algoritmus 9. Metoda podpůrných vektorů: jádrové transformace, druhy jader 10. Neuronové sítě: typy sítí, učení sítí, aktivační funkce 11. Neuronové sítě: nelineární vícevrstvý perceptron (MLP) a jeho vlastnosti, algoritmus backpropagation 12. Hluboké učení: základní principy (konvoluce, pooling) 13. Hluboké učení: praktické užití frameworků
|