Detail předmětu

Machine Learning

FEKT-MPA-MLRAk. rok: 2023/2024

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 včetně hlubokého učení.

Jazyk výuky

angličtina

Počet kreditů

5

Garant předmětu

Ing. Tomáš Vičar, Ph.D.

Zajišťuje ústav

Ústav biomedicínského inženýrství (UBMI)

Nabízen zahradničním studentům

Pouze domovské fakulty

Pravidla hodnocení a ukončení předmětu

Během semestru lze získat maximálně 30 bodů. Na závěrečnou zkoušku pak maximálně 70 bodů.

Během semestru proběhne 6 testů, každý za maximálně 5 bodů. Testy nelze opakovat.

Podmínky udělení zápočtu jsou následující:
- plná účast na počítačových cvičení (max. dvě omluvené absence),
- získání alespoň 15 bodů z testů.

Získání zápočtu je podmínkou pro připuštění k závěrečné zkoušce.

Závěrečná zkouška bude ohodnocena max. 70 body. Pro úspěšné složení zkoušky je nutné získat minimálně 35 bodů.

Učební cíle

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 včetně hlubokého učení.

 

Základní literatura

N. Buduma: Fundamentals of Deep Learning, O'Reilly Media, 2017 (CS)
Ch. M. Bishop: Pattern Recognition and Machine Learning, Springer, 2011
I. Goodfellow, Y. Bengio, A. Courville, F. Bach: Deep Learning, The MIT Press, 2016
Geron, A.: Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, 2. edition, O'Reilly Media (EN)
Deisenroth,M.P, Faisal, A.A, Ong, Ch.S.:Mathematics for Machine Learning, Cambridge University Press, 2020 (EN)

eLearning

eLearning: aktuální otevřený kurz

Zařazení předmětu ve studijních plánech

  • Program MPAD-BIO magisterský navazující, 2. ročník, zimní semestr, povinný
  • Program MPC-BIO magisterský navazující, 2. ročník, zimní semestr, povinný
  • Program MPC-BTB magisterský navazující, 2. ročník, zimní semestr, povinný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

Ing. Jiří Chmelík, Ph.D.
doc. Ing. Radim Kolář, Ph.D.
Ing. Tomáš Vičar, Ph.D.

Osnova

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.   

Cvičení na počítači

26 hod., povinná

Vyučující / Lektor

Ing. Tomáš Vičar, Ph.D.

Osnova

    1) Úvod do strojového učení v Pythonu, příklad jednoduchého klasifikátoru
    2) Metody hodnocení modelu – metriky, validace modelu
    3) Lineární a polynomiální regrese, LASSO/RIDGE regrese
    4) Duální formy a jádra - regrese, SVM
    5) Selekce příznaků
    6) Rozhodovací stromy, náhodné lesy, kompromis mezi zkreslením a rozptylem
    7) Úvod do umělých neuronových sítí, úvod do PyTorch
    8) Úvod do PyTorch 2, jednoduchá neuronová síť
    9) Hluboké učení v různých aplikacích – klasifikace obrázků, klasifikace signálů, segmentace obrázků, regrese obrázek na obrázek, segmentace signálů, regrese signál na signál
    10) Transformátory - příklad vizuálního transformátoru, příklad předpovídání dalšího slova
    11) Pravděpodobnostní modely 1 - odhad maximální věrohodnosti, odhad maximální aposteriorní pravděpodobnosti
    12) Pravděpodobnostní modely 2 - Naivní Bayesovský klasifikátor, model směsi Gaussovských rozdělení 

    eLearning

    eLearning: aktuální otevřený kurz