460-8703/02 – 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	angličtina
Rok zavedení	2019/2020	Rok zrušení	2020/2021
Určeno pro fakulty	FS	Určeno pro typy studia	navazující magisterské

Výuku zajišťuje
Os. čís.	Jméno	Cvičící	Přednášející
PLA06	prof. Ing. Jan Platoš, Ph.D.

Rozsah výuky pro formy studia
Forma studia	Zp.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

Podmínky absolvování jsou definovány pouze pro konkrétní verzi předmětu a formu studia

Výskyt ve studijních plánech

Akademický rok	Program	Obor/spec.	Zaměření	Forma	Jazyk výuky	Konz. stř.	Ročník	Typ povinnosti
2022/2023	(N0719A270010) Robotika	(S01) Projektování robotizovaných pracovišť	RSY	P	angličtina	Ostrava	2	povinný	stu. plán
2022/2023	(N0719A270010) Robotika	(S03) Servisní robotika	RSY	P	angličtina	Ostrava	2	povinný	stu. plán
2022/2023	(N0719A270010) Robotika	(S02) Konstrukce robotické techniky	RSY	P	angličtina	Ostrava	2	povinný	stu. plán

Výskyt ve speciálních blocích

Název bloku	Akademický rok	Forma studia	Jazyk výuky	Ročník	Z	L	Typ bloku	Vlastník bloku

Hodnocení Výuky

Předmět neobsahuje žádné hodnocení.