Detail předmětu

Machine Learning

FEKT-MPA-MLRAk. rok: 2024/2025

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

doc. Ing. Radim Kolář, Ph.D.

Zajišťuje ústav

Ústav biomedicínského inženýrství (UBMI)

Nabízen zahraničním studentům

Pouze domovské fakulty

Vstupní znalosti

- Přehled o základních konceptech strojového uèení.

- Základní znalosti programování, pøednostnì v jazyce Python.

- Matematické základy – lineární algebra (matice, vektory), základy diferenciálního poètu a pravdìpodobnosti.

- Základy statistiky a optimalizace

 

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

Cílem kurzu je rozšířit pochopení studentů o pokročilých technikách strojového učení. Účastníci si osvojí schopnost popisovat, analyzovat a rozlišovat mezi různými metodami klasifikace dat. Naučí se efektivně vybírat a implementovat vhodné techniky pro konkrétní problémy. Navíc poskytuje kurz praktické zkušenosti s nejnovějšími nástroji strojového učení, včetně hlubokého učení, což zvyšuje jejich praktické dovednosti v tomto oboru. 

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)

Zařazení předmětu ve studijních plánech

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

doc. Ing. Radim Kolář, 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. Rozhodovací a regresní stromy a lesy, náhodné lesy.
6. Metody pro zlepšování vlastností klasifikátorů (bagging, boosting).
7. Základní principy umělých neuronových sítí, regularizační techniky.
8. Principy hlubokého učení, hluboké neuronové sítě (NS) a základní stavební bloky.
9. Principy učení hlubokých NS, konvoluční NS, bloky využívané v hlubokých NS.
10. Varianty hlubokých NS, rekurentní sítě, transformery

11 Pravděpodonostní modely,, Metody “Maximum likelihood” a “Maximum a-posteriori probability”.

12. Pravděpodonostní modely, Bayesovský přístup ke klasifikaci. Klasikátor typu Naive Bayes

 

Cvičení na počítači

26 hod., povinná

Vyučující / Lektor

doc. Ing. Radim Kolář, 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