Vyučující
|
|
Obsah předmětu
|
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. ? 13. Hluboké učení: základní principy (konvoluce, pooling) a praktické užití frameworků 14. Hodnocení seminární práce a diskuse
|
Studijní aktivity a metody výuky
|
nespecifikováno
|
Výstupy z učení
|
Předmět Úvod do strojového učení představuje praktický úvod do zpracování a analýzy dat pomocí strojového učení. Výuka je směřována na základní pochopení principu metod a důraz je kladen na praktickou aplikaci metod za použití příslušných frameworků v jazyce Python (Scikit-learn, TensorFlow, Keras, CVXOPT).
|
Předpoklady
|
nespecifikováno
KI/APR1
|
Hodnoticí metody a kritéria
|
nespecifikováno
Zápočet: vypracování seminární práce na předem zvolené téma, typicky implementace řešení zadané úlohy Zkouška: obhajoba seminární práce a ověření teoretických znalostí
|
Doporučená literatura
|
-
Chollet, F. Deep learning v jazyku Python: knihovny Keras, Tensorflow. Přeložil Rudolf Pecinovský. Praha: Grada Publishing, 2019.
-
Müller, A. Ch., Guido S. Introduction to machine learning with Python: a guide for data scientists. Beijing: O´Reilly, 2016.
-
Raschka, S. (Blog and Web pages [online]). 2020..
-
Raschka, S., Mirjalili V. Python machine learning: machine learning and deep learning with Python, scikit-learn, and TensorFlow. Second edition. Birmingham: Packt, 2017.
|