Detail předmětu

Machine Learning Fundamentals

FEKT-MKA-MLFAk. rok: 2023/2024

Předmět se věnuje jak klasickým metodám strojového učení jako jsou support vector machines nebo principal component analysis, tak přístupům založeným na umělých neuronových sítích, včetně konvolučních nebo rekurzivních sítí. V rámci předmětu je také přestaven koncept kvatových výpočtů a algoritmů.  Mimo přednášek jsou důležitou součástí předmětu cvičení zaměřené jednak na pochopení základních principů, tak na na využití í v oblasti rádiových komunikací od klasifikace rádiových vysílačů až po kompletní přenosový systém založený na strojovém učení.     

 

Jazyk výuky

angličtina

Počet kreditů

5

Garant předmětu

prof. Ing. Roman Maršálek, Ph.D.

Zajišťuje ústav

Ústav radioelektroniky (UREL)

Vstupní znalosti

Student, který si zapíše předmět by měl:

  • chápat základní matematické metody na úrovni bakalářského studia
  • být schopen napsat jednoduchý program v prostředí Matlab a některém z vyšších programovacích jazyků
 

Pravidla hodnocení a ukončení předmětu

Hodnocení projektu MKA-MLF v akademickém roce 2023/2024

půlsemestrální projekt 26 bodů

závěrečný projekt 40 bodů

závěrečná zkouška: 34 bodů (24 písemná povinná část, 10 bodů nepovinná ústní část)

 


Učební cíle

Cílem předmětu je zopakovat potřebné metody lineární algebry, seznámit studenty se strojovým učením a to jak klasickým, tak hlubokým učením a jeho nejdůležitějšími technikami a současně uvést základní koncept kvantových výpočtů jako jednoho z perspektivních směrů budoucího vývoje. Počítačová cvičení mají za cíl pomoci studentům získat praktické zkušenosti s používanými algoritmy a softwarovými prostředky.

 

Absolvent předmětu bude schopen (a) používat základní metody strojového učení pro klasifikaci (b) používat metody založené na umělých neuronových sítích (c) pro danou úlohu správně zvolit vhodnou metodu strojového učení (d) diskutovat využití metod strojového učení v rádiových komunikacích (e) diskutovat základní techniky kvantových výpočtů a jejich vhodnost pro danou aplikaci

 

Základní literatura

CHOLLET, F. Deep Learning with Python, 2017, Manning Publications (EN)
ERTEL, W., Introduction to Artificial Intelligence, 2018, Springer (EN)
GOODFELLOW, I. et al., Deep learning, 2016, MIT Press (EN)

eLearning

eLearning: aktuální otevřený kurz

Zařazení předmětu ve studijních plánech

  • Program MKC-EKT magisterský navazující, 1. ročník, letní semestr, povinně volitelný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

prof. Ing. Roman Maršálek, Ph.D.

Osnova

1-Úvod do strojového učení, organizace předmětu
2-Základy lineární algebry, Principal component analysis (PCA)
3-Metoda podpůrných vektorů (SVM)
4-K-means a KNN klasifikátor
5-Úvod do neuronových sítí, lineární a logistická regrese
6-Problémy neuronových sítí, ladění hyperparametrů
7-Konvoluční sítě
8-Transfer learning
9-Rekurentní neuronové sítě, LSTM sítě
10-Generativní sítě, GAN
11-Přednáška z průmyslu – aplikace strojového učení
12-Základy kvantových výpočtů – aritmetika
13-Základy kvantových výpočtů – hradla  a obvody

 

Cvičení na počítači

26 hod., povinná

Vyučující / Lektor

prof. Ing. Roman Maršálek, Ph.D.

Osnova

1-Úvod, algebra, Collab
2-PCA
3-SVM
4-K-means
5-Úvod do neuronových sítí
6-Neuronové sítì, ladìní hyperparametrù, zadání miniprojektu
7-Miniprojekt
8-Konvoluèní sítì
9-Rekurentní sítì, LSTM
10-Projekt
11-Projekt
12-Kvantové výpoèty
13-Kvantové obvody

 

eLearning

eLearning: aktuální otevřený kurz