460-8703/01 – Základy strojového učení (ZSU)

Garantující katedraKatedra informatikyKredity4
Garant předmětuprof. Ing. Jan Platoš, Ph.D.Garant verze předmětuprof. Ing. Jan Platoš, Ph.D.
Úroveň studiapregraduální nebo graduálníPovinnostpovinný
Ročník2Semestrzimní
Jazyk výukyčeština
Rok zavedení2019/2020Rok zrušení
Určeno pro fakultyFSUrčeno 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

Cíle předmětu vyjádřené dosaženými dovednostmi a kompetencemi

Cílem předmětu je seznámit studenty s daty, jejich analýzou a strojovým učením a to na úrovni, která bude odpovídat absolvovaným předmětům a dosaženým znalostem. Hlavními znalostmi, které budou studentům předány, jsou znalosti ohledně dat, jejich přípravy, statistické vlastnosti, metody zpracování dat a strojového učení. Studenti budou schopni porozumět vlastnostem dat, analytickým metodám, a budou schopni správně interpretovat dosažené výsledky a tyto vhodnými metodami prezentovat a vizualizovat.

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 statistických vlastnostem dat, metodami čištění a předzpracování dat. Dále pak teoretickému popisu metod zpracování dat, strojového učení a umělé inteligence. 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 HASTIE, Trevor., Robert. TIBSHIRANI a J. H. FRIEDMAN. The elements of statistical learning: data mining, inference, and prediction. 2nd ed. New York, NY: Springer, c2009. ISBN 978-0-387-84858-7. 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.

Doporučená literatura:

LESKOVEC, Jurij, Anand RAJARAMAN a Jeffrey D. ULLMAN. Mining of massive datasets / Jure Leskovec, Standford University, Anand Rajaraman, Milliways Labs, Jeffrey David Ullman, Standford University. Second edition. Cambridge: Cambridge University Press, 2014. ISBN 9781107077232. AGGARWAL, Charu C. Data mining: the textbook. New York, NY: Springer Science+Business Media, 2015. ISBN 978-3-319-14141-1.

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 (bloky studia): 1. Data a jejich specifika 2. Statistické vlastnosti dat 3. Reprezentace znalostí 4. Explorační analýza I 5. Explorační analýza II 6. Základní algoritmy - shlukování 7. Základní algoritmy - klasifikace/regrese 8. Hodnocení a důvěryhodnost výsledků 9. Pokročilé metody a algoritmy 10. Rozšíření lineárních modelů 11. Transformace dat 12. Optimalizační metody 13. Vizualizace dat I 14. Vizualizace dat II Cvičení na počítačové učebně: 1. Demonstraci látky z přednášek - práce s daty a jejich vlastnosti. 2. Demonstraci látky z přednášek - statistické vlastnosti dat. 3. Demonstraci látky z přednášek - reprezentace znalostí v počítači. 4. Demonstrace látky z přednášek - explorační analýza 5. Demonstrace látky z přednášek - explorační analýza 6. Demonstraci látky z přednášek - shlukování 7. Demonstraci látky z přednášek - klasifikace 8. Demonstraci látky z přednášek - kvalita modelů a její měření. 9. Demonstraci látky z přednášek - metody založené na stromech. 10. Demonstraci látky z přednášek - nelineární modely. 11. Demonstraci látky z přednášek - transformace dat. 12. Demonstraci látky z přednášek - úvod do optimalizačních metod. 13. Demonstraci látky z přednášek - vizualizace dat 14. Demonstraci látky z přednášek - vizualizace dat

Podmínky absolvování předmětu

Prezenční forma (platnost od: 2019/2020 zimní semestr)
Název úlohyTyp úlohyMax. počet bodů
(akt. za podúlohy)
Min. počet bodůMax. počet pokusů
Klasifikovaný zápočet Klasifikovaný zápočet 100  51 3
Rozsah povinné účasti: Účast na cvičeních je povinná a je kontrolována. S rozsahem povinné účastí seznámí studenty garant předmětu na začátku semestru.

Zobrazit historii

Podmínky absolvování předmětu a účast na cvičeních v rámci ISP: Splnění všech povinných úkolů v individuálně dohodnutých termínech. Rozsah účasti na cvičeních si student na začátku semestru dohodne s garantem předmětu.

Zobrazit historii

Výskyt ve studijních plánech

Akademický rokProgramObor/spec.Spec.ZaměřeníFormaJazyk výuky Konz. stř.RočníkZLTyp povinnosti
2023/2024 (N0719A270009) Robotika (S02) Konstrukce robotické techniky RSK P čeština Ostrava 2 povinný stu. plán
2023/2024 (N0719A270009) Robotika (S03) Servisní robotika RSS P čeština Ostrava 2 povinný stu. plán
2023/2024 (N0719A270009) Robotika (S01) Projektování robotizovaných pracovišť RSP P čeština Ostrava 2 povinný stu. plán
2022/2023 (N0719A270009) Robotika (S01) Projektování robotizovaných pracovišť RSP P čeština Ostrava 2 povinný stu. plán
2022/2023 (N0719A270009) Robotika (S02) Konstrukce robotické techniky RSK P čeština Ostrava 2 povinný stu. plán
2022/2023 (N0719A270009) Robotika (S03) Servisní robotika RSS P čeština Ostrava 2 povinný stu. plán
2021/2022 (N0719A270009) Robotika (S01) Projektování robotizovaných pracovišť RSP P čeština Ostrava 2 povinný stu. plán
2021/2022 (N0719A270009) Robotika (S02) Konstrukce robotické techniky RSK P čeština Ostrava 2 povinný stu. plán
2021/2022 (N0719A270009) Robotika (S03) Servisní robotika RSS P čeština Ostrava 2 povinný stu. plán

Výskyt ve speciálních blocích

Název blokuAkademický rokForma studiaJazyk výuky RočníkZLTyp blokuVlastník bloku

Hodnocení Výuky

Předmět neobsahuje žádné hodnocení.