1. Přehled úloh strojového učení: klasifikace, regrese, predikce a oblasti použití 2. Rozhodovací stromy: konstrukce, metriky 3. - 4. Metoda podpůrných vektorů (SVM): formulace, soft margin, řešení, použití jader, jádrový trik, klasifikace do více tříd 5. Úvod do neuronových sítí: druhy sítí a jejich architektura, druhy učení 6. - 7. Sítě typu vícevrstvý perceptron (MLP): perceptron, aktivační funkce a jejich druhy, vrstvy a učení, přeučení, regularizace 8. Zpětnovazební učení: použití a přehled algoritmů se zaměřením na Q-learning 9. Metaalgoritmy strojového učení: seskupování slabých klasifikátorů, náhodné lesy, boostování, AdaBoost 10. Fuzzy množina: zavedení, vlastnosti (obor hodnot, výška, nosič, jádro), řezy, příslušnost 11. Fuzzy množiny a jejich rozšíření: přehled množinových a výrokových operací a jejich vlastností, fuzzy čísla a fuzzy relace 12. Použití fuzzy logiky: proces fuzzifikace a defuzzifikace, lingvistické proměnné 13. Bayesovská statistika: definice základních pojmů (rozdělení, apriorní, posteriorní), Bayesova věta a její využití 14. Bayesovské sítě (BN): grafová reprezentace, distribuce pravděpodobnosti modelu (řetězcové pravidlo), přehled algoritmů učení BN
|
Předmět je zaměřen na vybrané partie z oblasti Soft Computingu, jakou jsou fuzzy logika a vybrané modely strojového učení (rozhodovací stromy, support vector machines, neuronové sítě a Bayesovské sítě). Poskytuje jak teoretický úvod potřebný pro předměty navazující a rozvíjející, tak i praktické seznámení s aktuálně používanými frameworky a knihovnami (Python). Přednášky jsou zaměřeny na teoretický rozbor problematiky s ohledem na možnosti aplikace. Cvičení jsou zaměřena jak na vlastní návrh a implementaci algoritmů, tak na předání praktických zkušeností při použití softwarových nástrojů.
|