460-4139/01 – Strojové učení (SU)
| Garantující katedra | Katedra informatiky | Kredity | 4 |
| Garant předmětu | prof. Ing. Jan Platoš, Ph.D. | Garant verze předmětu | prof. Ing. Jan Platoš, Ph.D. |
| Úroveň studia | pregraduální nebo graduální | | |
| | Jazyk výuky | čeština |
| Rok zavedení | 2022/2023 | Rok zrušení | |
| Určeno pro fakulty | FEI | Určeno pro typy studia | navazující magisterské |
Cíle předmětu vyjádřené dosaženými dovednostmi a kompetencemi
Cílem předmětu je poskytnout posluchači detailní přehled o postupech a metodách v oblasti strojového učení. Od explorační analýzy dat, přes hledání podobnosti, porovnání objektů až po hledání klasifikačních modelů. Studenti budou mít šanci si jednotlivé metody implementovat i vyzkoušet nad umělými i reálnými daty a zhodnotit dosažené výsledky, které se naučí i správně odprezentovat.
Vyučovací metody
Přednášky
Cvičení (v učebně)
Anotace
V předmětu se studenti obeznámí s vlastnostmi dat, jejich uložením a zpracováním. Dále se seznámí s metodami analýzy dat, strojového učení, umělé inteligence, interpretaci výsledků a jejich vizualizací. Přednášky se budou věnovat základním metodám analýzy a dat a extrakce zjištění dolovanými z dat. Studenti budou schopni sami rozhodnout, kdy je která metoda vhodná, jaké má předpoklady, jaký je její princip a jaké výstupy s ní lze získat. Cvičení pak poslouží pro praktické experimenty nad vhodnými datovými sadami, experimentování s nástroji pro analýzu dat a zhodnocení výsledků.
Povinná literatura:
Doporučená literatura:
Forma způsobu ověření studijních výsledků a další požadavky na studenta
Znalosti studentů jsou ověřovány prostřednictvím realizace bodovaných úkolů na cvičeních, vypracování analýzy dat a implementace některé z probíraných metod v rámci samostatné práce.
E-learning
Další požadavky na studenta
Další požadavky na studenta nejsou kladeny.
Prerekvizity
Předmět nemá žádné prerekvizity.
Korekvizity
Předmět nemá žádné korekvizity.
Osnova předmětu
Přednášky (témata):
1. Hledání pravidel v datech, Hledání vzorů v datech.
2. Explorativní analýza dat.
3. Shlukování pomocí reprezentantů, Hierarchické shlukování.
4. Shlukování založené na hustotě dat, validace shluků.
5. Speciální shlukovací metody, detekce odlehlých hodnot.
6. Lineární klasifikátory (Lineární diskriminační analýza, Naive Bayes, Logistická regrese).
7. Rozhodovací stromy, pravidlová klasifikace.
8. Support Vector Machine, Kernelové metody.
9. Neuronové sítě.
10. Regresní metody a Pokročilé metody v klasifikaci dat.
11. Validace klasifikačních algoritmů.
12. Analýza časových řad.
Cvičení na počítačové učebně (témata):
1. Implementace metody APRIORI pro hledání pravidel v datech.
2. Explorativní analýza dat nad reálným datasetem pomocí vhodných nástrojů.
3. Implementace hierarchického shlukování – Aglomerativní shlukování.
4. Implementace algoritmu DBSCAN.
5. Reálný příklad na shlukování - samostatná práce na cvičeních.
6. Redukce dimenze.
7. Implementace rozhodovacího stromu.
8. Vyzkoušení metody Support Vector Machine nad reálnými daty.
9. Neuronové sítě.
10. Regresní metody.
11. Ensemble metody a jejich využití.
12. Klasifikace - reálný práklad.
13. Analýza časových řad.
Podmínky absolvování předmětu
Výskyt ve studijních plánech
Výskyt ve speciálních blocích
Hodnocení Výuky