Detail předmětu

Strojové učení

FSI-VSCAk. rok: 2026/2027

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 s 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

ALPAYDIN, Ethem. Introduction to machine learning. Third edition. Adaptive computation and machine learning. Cambridge: The MIT Press, [2014]. ISBN 978-0-262-02818-9. (EN)
BISHOP, Christopher M. Pattern recognition and machine learning. Information science and statistics. New York: Springer, c2006. ISBN 978-0-387-31073-2. (EN)
Sima,J., Neruda,R.: Theoretical questions of neural networks, MATFYZPRESS, 1996, ISBN 80-85863-18-9 (CS)

Doporučená literatura

B. Kosko: Neural Networks and fuzzy systems. Prentice Hall 1992 (EN)
Bishop, C. M.: Pattern Recognition, Springer Science + Business Media, LLC, 2006, ISBN 0-387-31073-8. (EN)

Zařazení předmětu ve studijních plánech

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

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

doc. Ing. Pavel Škrabánek, Ph.D.

Osnova

  1. Úvod do strojového učení: životní cyklus modelu strojového učení, učební paradigmata a typy úloh, generalizace modelu, křížová validace.
  2. Předzpracování dat: chybějící hodnoty, odlehlé hodnoty, normalizace/standardizace, kódování kategorií, transformace proměnných, základní výběr atributů.
  3. Regrese: lineární a polynomiální regrese, metoda nejmenších čtverců, gradientní sestup, ztrátové funkce, metriky výkonu, redundantní proměnné, regularizace.
  4. Lineární regresní klasifikace, logistická a regularizovaná logistická regrese, základní ztrátové funkce a metriky pro měření výkonu klasifikátorů, vliv nevyvážených tříd na trénink a výkon klasifikátoru a jeho hodnocení.
  5. Stroj s podporou vektorů pro klasifikační a regresní úlohy, jádrové funkce.
  6. Percepton, vícevrstvý perceptron, extreme learning machine, dopředná a zpětná propagace, varianty gradientního sestupu, metody zmenšení rizika přeučení.
  7. Stromové metody pro klasifikační a regresní úlohy: rozhodovací stromy, kritéria štěpení, ořezávání stromů, ensemble metody.
  8. Paměťové metody pro klasifikační a regresní úlohy: metoda nejbližších sousedů, vzdálenosti, volba počtu sousedů a váhování.
  9. Úvod do teorie pravděpodobnosti, Bayesův klasifikátor, Gaussovská diskriminační analýza, Naivní Bayesův klasifikátor.
  10. Směsi Gaussovských rozdělení, EM- algoritmus.
  11. Shlukování, k-průměrové shlukování, směsi Gaussovských rozdělení, shlukování podle hustoty.
  12. Redukce dimenze dat, Boosting.
  13. Opakování.

Cvičení s počítačovou podporou

26 hod., povinná

Vyučující / Lektor

doc. Ing. Pavel Škrabánek, Ph.D.

Osnova

  1. Seznámení se s programovým prostředím.
  2. Předzpracování dat
  3. Lineární a polynomiální regrese s využitím MNČ a regularizované MNČ
  4. Klasifikace lineárně separovatelných dat
  5. Klasifikace nelineárně separovatelných dat
  6. Využití vícevrstvého perceptonu pro klasifikační a regresní úlohy.
  7. Využití rozhodovacích stromů pro klasifikační a regresní úlohy.
  8. Využití metody nejbližších sousedů pro klasifikační a regresní úlohy
  9. Bayesův klasifikátor, Gaussovská diskriminační analýza, a Naivní Bayesův klasifikátor.
  10. Využití směsi Gaussovských rozdělení pro klasifikační a regresní úlohy.
  11. Shlukování dat.
  12. Redukce dimenze dat, Boosting
  13. Zápočet.