Detail předmětu

Neuronové sítě a strojové učení

FSI-VSC-KAk. rok: 2025/2026

Předmět poskytuje úvod do teorie a metod strojového učení se zaměřením na jejich aplikaci při řešení klasifikačních, regresních a shlukovacích úloh.

Jazyk výuky

čeština

Počet kreditů

5

Garant předmětu

doc. Ing. Pavel Škrabánek, Ph.D.

Zajišťuje ústav

Ústav automatizace a informatiky (ÚAI)

Vstupní znalosti

Předpokládá se znalost základních souvislostí ze statistiky, optimalizace a programování.

Pravidla hodnocení a ukončení předmětu

Znalosti a dovednosti jsou ověřovány zápočtem a zkouškou. Požadavky pro zápočet: zpracování zadaných úloh. Účast na přednáškách je doporučená, účast na cvičeních je povinná. Cvičení, která nemůže student absolvovat v řádné termínu je možno nahradit v termínu náhradním. Zkouška je ústní a pokrývá celé probrané učivo.

Učební cíle

Cílem předmětu je seznámit studenty s metodami strojového učení a jejich aplikacemi na klasifikaci, regresi a shlukování. Studenti se seznámí parametrickými i neparametrickými klasifikačními a regresními modely, i klíčovými koncepty, jako jsou metriky chyb, regularizace, křížová validace, gradientní sestup a moderní přístupy, včetně boostingu a směsí Gaussovských rozdělení. Předmět propojuje teorii s praxí pro návrh a implementaci modelů strojového učení.

Základní literatura

Aliev,R.A, Aliev,R.R.: Soft Computing and its Application, World Scientific Publishing Co. Pte. Ltd., 2001, ISBN 981-02-4700-1
Munakata, T.: Fundamentals of the New Artificial Intelligence, Springer-Verlag New York, Inc., 1998. ISBN 0-387-98302-3
Sima,J., Neruda,R.: Theoretical questions of neural networks, MATFYZPRESS, 1996, ISBN 80-85863-18-9
Švarc, I., Matoušek, R., Šeda, M., Vítečková, M.: Automatizace-Automatické řízení, skriptum VUT FSI v Brně, CERM 2011.

Zařazení předmětu ve studijních plánech

  • Program N-AIŘ-K magisterský navazující 1 ročník, letní semestr, povinný

Typ (způsob) výuky

 

Konzultace v kombinovaném studiu

17 hod., povinná

Vyučující / Lektor

doc. Ing. Pavel Škrabánek, Ph.D.

Osnova

  1. Úvod, učení s učitelem a bez učitele, regrese vs. klasifikace, rozdělení datové sady, metriky chyb, ztrátové funkce, křížová validace, přeučení, regularizace
  2. lineární regrese, metoda nejmenších čtverců, gradientní sestup, regularizovaná metoda nejmenších čtverců
  3. Lineární klasifikace, logistická regrese, regularizovaná logistická regrese
  4. Neparametrické modely, metoda nejbližších sousedů
  5. Rozhodovací stromy pro klasifikační a regresní problémy
  6. Generativní modely pro klasifikaci, Bayesův klasifikátor, Gaussovská diskriminační analýza
  7. Naivní Bayesův klasifikátor
  8. Stroj s podporou vektorů, jádrové funkce
  9. Shlukování, k-průměrové shlukování
  10. Směsi Gaussovských rozdělení
  11. Redukce dimenze dat, Boosting
  12. Matematický model neuronu, aktivační funkce, vícevrstvý perceptron, dopředná a zpětná propagace
  13. Dopředné jedno a vícevrstvé sítě neuronové sítě, rekurentní sítě, topologicky organizované neuronové sít

Konzultace

35 hod., nepovinná

Vyučující / Lektor

doc. Ing. Pavel Škrabánek, Ph.D.

Osnova

  1. Seznámení se s programovým prostředím.
  2. Metoda nejmenších čtverců, a regularizovaná metoda nejmenších čtverců
  3. Lineární klasifikace, logistická regrese, regularizovaná logistická regrese
  4. Metoda nejbližších sousedů
  5. Rozhodovací stromy pro klasifikační a regresní problémy
  6. Bayesův klasifikátor, Gaussovská diskriminační analýza
  7. Naivní Bayesův klasifikátor
  8. Stroj s podporou vektorů
  9. k-průměrové shlukování
  10. Směsi Gaussovských rozdělení
  11. Redukce dimenze dat, Boosting
  12. Vícevrstvý perceptron
  13. Zápočet