460-8703/01 – Základy strojového učení (ZSU)
| 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 | Povinnost | povinný |
| Ročník | 2 | Semestr | zimní |
| | Jazyk výuky | čeština |
| Rok zavedení | 2019/2020 | Rok zrušení | |
| Určeno pro fakulty | FS | Určeno pro typy studia | navazující magisterské |
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:
Doporučená literatura:
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
Výskyt ve studijních plánech
Výskyt ve speciálních blocích
Hodnocení Výuky