460-6026/01 – Strojové učení (SU)
Garantující katedra | Katedra informatiky | Kredity | 10 |
Garant předmětu | prof. Ing. Jan Platoš, Ph.D. | Garant verze předmětu | prof. Ing. Jan Platoš, Ph.D. |
Úroveň studia | postgraduální | Povinnost | povinně volitelný typu B |
Ročník | | Semestr | zimní + letní |
| | Jazyk výuky | čeština |
Rok zavedení | 2019/2020 | Rok zrušení | |
Určeno pro fakulty | FEI | Určeno pro typy studia | doktorské |
Cíle předmětu vyjádřené dosaženými dovednostmi a kompetencemi
Cílem kurzu je poskytnout posluchači detailní přehled o postupech a metodách v oblasti strojového učení. Dále se individuálně prohloubí tyto znalosti a dovednosti směrem, který je v souladu se specifickým zaměřením jeho doktorandského studia a disertační práce.
Vyučovací metody
Semináře
Individuální konzultace
Projekt
Ostatní aktivity
Anotace
Předmět je zaměřen na zpracování dat a datovou analýzu vzhledem k dolování znalostí. Předmět pokrývá všechny fáze zpracování dat od jejich získávání, předzpracování a čistění, po jejich klasifikaci, shlukování a vizualizaci. Hlavní důraz bude kladen na zpracování dat medicínského a laboratorního charakteru ale jiné zdroje dat budou také zahrnuty.
Povinná literatura:
Doporučená literatura:
Forma způsobu ověření studijních výsledků a další požadavky na studenta
Průběžná kontrola studijních aktivit a přiřazených úkolů v rámci pravidelných konzultací. V případě, že součástí úkolů studenta bude rovněž publikační činnost, bude příslušný článek v rámci kurzu odprezentován.
Ústní zkouška.
E-learning
Další požadavky na studenta
Student vypracovává a obhajuje práci na zadané téma.
Prerekvizity
Předmět nemá žádné prerekvizity.
Korekvizity
Předmět nemá žádné korekvizity.
Osnova předmětu
• Data – vektor, proud, signal, síť
• Čištění dat, řešení chybějících dat, agregace
• Redukce dimenze, expanse dimenze
• Explorativní analýza dat
• Unsupervised learning – dolování vzorů, slukování, vyhodnocení shlukování
• Detekce anomálií
• Supervised learning
• Klasifikace pomocí lineárních modelů
- Klasifikace pomocí pravděpodobnostních modelů
- Klasifikace pomocí nelineárních modelů
- Regrese
• Zpracování síťových dat
- Modely sítí
- Shlukování
- Detekce komunit
• Vizualizace dat
Podmínky absolvování předmětu
Výskyt ve studijních plánech
Výskyt ve speciálních blocích
Hodnocení Výuky
Předmět neobsahuje žádné hodnocení.