Detail předmětu

Strojové učení

FEKT-MPC-MLRAk. rok: 2020/2021

Studenti získají rozhled v oblasti pokročilých metod strojového učení. Budou schopni popsat a porovnat vlastnosti jednotlivých přístupů pro klasifikaci dat. Budou schopni vybrat a aplikovat konkrétní přístup na daný problém. Získají také praktické zkušenosti s aktuálními implementacemi metod strojového učení.

Jazyk výuky

čeština

Počet kreditů

Garant předmětu

doc. Ing. Radim Kolář, Ph.D.

Zajišťuje ústav

Ústav biomedicínského inženýrství (UBMI)

Způsob a kritéria hodnocení

Zkouška z předmětu bude probíhat distančně.

Osnovy výuky

1. Úvod do problematiky klasifikace. Hodnocení klasifikátorů, chyba klasifikace, testování klasifikátorů.
2. Hodnocení příznaků, výběr a redukce příznaků pomocí základních a pokročilých metod (PCA, mRMR, t-SNE).
3. Lineární klasifikátory – základní principy a metody (perceptron, MSE, SVM).
4. "Kernel" přístup pro nelineární klasifikaci/regresi.
5. Bayesovský přístup ke klasifikaci. Klasikátor typu Naive Bayes.
6. Metody “Maximum likelihood” a “Maximum a-posteriori probability”.
7. Rozhodovací a regresní stromy a lesy, náhodné lesy.
8. Metody pro zlepšování vlastností klasifikátorů (bagging, boosting).
9. Základní principy umělých neuronových sítí, regularizační techniky.
10. Principy hlubokého učení, hluboké neuronové sítě (NS) a základní stavební bloky.
11. Principy učení hlubokých NS.
12. Varianty hlubokých NS, autoenkodéry, rekurentní NS, LSTM, GRU, GAN.
13. Aplikace klasifikačních úloh pro zpracování signálů, obrazů a bioinformatických dat. Příklady aplikací a frameworků.

Základní literatura

Holčík, J. Analýza a klasifikace dat, Akademické nakladatelství CERM, 2012 (CS)
Komprdová, K. Rozhodovací stromy a lesy, Akademické nakladatelství CERM, 2012 (CS)
Buduma N. Fundamentals of Deep Learning, O'Reilly Media, 2017 (CS)

eLearning

eLearning: aktuální otevřený kurz

Zařazení předmětu ve studijních plánech