460-4162/01 – Machine Learning (ML)
| Garantující katedra | Katedra informatiky | Kredity | 5 |
| Garant předmětu | prof. Ing. Jan Platoš, Ph.D. | Garant verze předmětu | prof. Ing. Jan Platoš, Ph.D. |
| Úroveň studia | pregraduální nebo graduální | | |
| | Jazyk výuky | angličtina |
| Rok zavedení | 2026/2027 | Rok zrušení | |
| Určeno pro fakulty | FEI | Určeno pro typy studia | navazující magisterské |
Cíle předmětu vyjádřené dosaženými dovednostmi a kompetencemi
Cílem předmětu je poskytnout studentům komplexní přehled metod a postupů strojového učení a vést je k jejich praktickému využití. Studenti se naučí provádět explorační analýzu dat, vyhledávat podobnosti a porovnávat objekty, vytvářet a hodnotit klasifikační modely. Osvojí si klasické metody strojového učení, jako je lineární a logistická regrese, rozhodovací stromy či shlukovací metody. Získají také znalosti o principech neuronových sítí, včetně konvolučních a rekurentních architektur, a osvojí si základy autoenkodérů.
Dovednosti:
- samostatně implementovat a aplikovat vybrané metody strojového učení,
- připravit a zpracovat datové sady pro analytické úlohy,
- zvolit vhodný model vzhledem k povaze problému a dat,
- provádět hodnocení přesnosti a interpretaci výsledků,
- prezentovat analytické postupy a dosažené výstupy v odborném prostředí.
Kompetence:
- schopnost řešit komplexní úlohy z oblasti strojového učení s využitím klasických i moderních metod,
- orientace v možnostech a omezeních jednotlivých přístupů,
- připravenost spolupracovat v týmu na návrhu a implementaci datově orientovaných řešení,
- schopnost kriticky posoudit kvalitu modelu a jeho přínos pro praxi.
Vyučovací metody
Přednášky
Cvičení (v učebně)
Výuka odborníka z praxe (přednáška nebo cvičení)
Anotace
Předmět seznamuje studenty s charakteristikami dat, jejich ukládáním a možnostmi zpracování. Důraz je kladen na metody analýzy dat, klasické postupy strojového učení a moderní neuronové sítě, včetně konvolučních a rekurentních architektur či autoenkodérů. Studenti se naučí interpretovat a vizualizovat dosažené výsledky a porozumí tomu, kdy je vhodné jednotlivé metody použít, jaké jsou jejich principy, předpoklady a očekávané výstupy. Přednášky se zaměří na metodologii a principy, zatímco cvičení poskytnou prostor pro praktické experimenty s reálnými datovými sadami, práci s nástroji pro analýzu a kritické hodnocení získaných výsledků.
Povinná literatura:
Doporučená literatura:
Další studijní materiály
Forma způsobu ověření studijních výsledků a další požadavky na studenta
Znalosti studentů jsou ověřovány prostřednictví realizace bodovaných úkolů na cvičeních, vypracování analýzy dat a implementace některé z probíraných metod v rámci samostatné práce. Závěrečné hodnocení je pak stanoveno v rámci písemné zkoušky doplněné ústní částí.
E-learning
Všechny materiály jsou zveřejněny na portále e-výuka (https://www.vsb.cz/e-vyuka/cs).
Další požadavky na studenta
Další požadavky na studenta nejsou kladeny.
Prerekvizity
Předmět nemá žádné prerekvizity.
Korekvizity
Předmět nemá žádné korekvizity.
Osnova předmětu
Hlavní témata probíraná v rámci předmětu jsou:
- Shlukovací metody a jejich validace.
- Klasifikační metody a jejich validace
- Regresní metody a jejich validace
- Kernelové metody a Support Vector Machine.
- Neuronové sítě včetně sítí konvolučních, rekurentních.
- Autoenkodéry a Variační autoenkodéry.
- Analýza signálů a časových řad.
V rámci cvičení dojde k ověřování znalostí na reálných a umělých datech a implementací základních principů.
Podmínky absolvování předmětu
Podmínky absolvování jsou definovány pouze pro konkrétní verzi předmětu a formu studia
Výskyt ve studijních plánech
Výskyt ve speciálních blocích
Hodnocení Výuky
Předmět neobsahuje žádné hodnocení.