460-4139/02 – Strojové učení (SU)

Garantující katedraKatedra informatikyKredity4
Garant předmětuprof. Ing. Jan Platoš, Ph.D.Garant verze předmětuprof. Ing. Jan Platoš, Ph.D.
Úroveň studiapregraduální nebo graduálníPovinnostpovinně volitelný typu A
Ročník1Semestrzimní
Jazyk výukyangličtina
Rok zavedení2022/2023Rok zrušení
Určeno pro fakultyFEIUrčeno pro typy studianavazující magisterské
Výuku zajišťuje
Os. čís.JménoCvičícíPřednášející
PLA06 prof. Ing. Jan Platoš, Ph.D.
Rozsah výuky pro formy studia
Forma studiaZp.zak.Rozsah
prezenční Klasifikovaný zápočet 2+2
kombinovaná Klasifikovaný zápočet 14+0

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:

- Prezentace k přednáškám. [1] AGGARWAL, Charu C. Data mining: the textbook. New York, NY: Springer Science+Business Media, 2015. ISBN 978-3-319-14141-1. [2] BRAMER, M. A. Principles of data mining. London: Springer, 2007. ISBN 1-84628-765-0.

Doporučená literatura:

[1] LESKOVEC, Jure, Anand RAJARAMAN a Jeffrey D. ULLMAN. Mining of massive datasets, Standford University. Second edition. Cambridge: Cambridge University Press, 2014. ISBN 9781107077232. [2] WITTEN, Ian H., Eibe FRANK, Mark A. HALL a Christopher J. PAL. Data mining: Practical machine learning tools and techniques. Fourth Edition. Amsterdam: Elsevier, [2017]. ISBN 978-0-12-804291-5. [3] ZAKI, Mohammed J. a Wagner MEIRA JR. Data Mining and Analysis: Fundamental Concepts and Algorithms. 2nd edition. Cambridge, GB: Cambridge University Press, 2020. ISBN 978-0521766333.

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.

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

Prezenční forma (platnost od: 2022/2023 zimní semestr)
Název úlohyTyp úlohyMax. počet bodů
(akt. za podúlohy)
Min. počet bodů
Klasifikovaný zápočet Klasifikovaný zápočet 100  51
Rozsah povinné účasti: Student je povinen splnit zadání na cvičeních a odevzdat vypracovaný projekt zadaný cvičícím.

Zobrazit historii

Výskyt ve studijních plánech

Akademický rokProgramObor/spec.Spec.ZaměřeníFormaJazyk výuky Konz. stř.RočníkZLTyp povinnosti
2022/2023 (N0613A140035) Informatika AZD P angličtina Ostrava 1 povinně volitelný typu A stu. plán
2022/2023 (N0613A140035) Informatika DS P angličtina Ostrava 1 povinně volitelný typu A stu. plán
2022/2023 (N0688A140015) Průmysl 4.0 AZD P angličtina Ostrava 1 povinný stu. plán
2022/2023 (N0612A140005) Informační a komunikační bezpečnost IKB P angličtina Ostrava 1 povinný stu. plán
2022/2023 (N0541A170008) Výpočetní a aplikovaná matematika (S01) Aplikovaná matematika P angličtina Ostrava 2 volitelný odborný stu. plán
2022/2023 (N0541A170008) Výpočetní a aplikovaná matematika (S02) Výpočetní metody a HPC P angličtina Ostrava 2 volitelný odborný stu. plán
2022/2023 (N2647) Informační a komunikační technologie (2612T025) Informatika a výpočetní technika P angličtina Ostrava 2 povinně volitelný stu. plán

Výskyt ve speciálních blocích

Název blokuAkademický rokForma studiaJazyk výuky RočníkZLTyp blokuVlastník bloku