1) Úvod do strojového učení, matematické základy, optimalizace ve strojovém učení.
2) Vyhodnocování modelů - pipeline učení s učitelem, validační přístupy, metriky, předzpracování dat.
3) Redukce dimenzionality - metody výběru a redukce příznaků.
4) Lineární modely - definice, ztrátové funkce a regularizace, klasifikační modely, regresní modely.
5) Kompromis mezi vychýlením a rozptylem, rozhodovací stromy a náhodné lesy, bagging a boosting.
6) Základy neuronových sítí - jednoduchá neuronová síť, aktivační funkce, ztrátové funkce, regularizace, optimalizační metody.
7) Principy hlubokého učení - hluboké neuronové sítě (NN) a základní stavební bloky.
8) Principy hlubokých NN - speciální bloky.
9) Architektury a aplikace hlubokých NN - regrese, klasifikace, image2image a signal2signal.
10) Transformery - mechanismus pozornosti, tokenizace, vision transformers, jazykové modely.
11) Základy pravděpodobnostních modelů - pravděpodobnostní rozdělení, odhad maximální věrohodnosti, odhad maximální aposteriorní pravděpodobnosti.
12) Pravděpodobnostní modely - Naivní Bayesovský klasifikátor, Gaussovský model směsi, Logistická regrese. 

V rámci počítačových cvičení studenti prakticky implementují algoritmy strojového učení v jazyce Python s využitím knihoven scikit-learn, PyTorch a dalších. Témata cvičení jsou následující:

1) Úvod do strojového učení v Pythonu, příklad jednoduchého klasifikátoru, úvod do scikit-learn.
2) Metody vyhodnocování modelů - metriky, validace modelů.
3) Redukce dimenzionality - úvod do pandas, výběr příznaků a PCA.
4) Lineární modely - lineární a polynomiální regrese, LASSO/RIDGE regrese, klasifikace s lineárními modely.
5) Duální formy a jádra - regrese, SVM.
6) Rozhodovací stromy, náhodný les a boosting.
7) Úvod do umělých neuronových sítí, úvod do PyTorch.
8) Praktický příklad hlubokého učení - klasifikace obrázků nasazená na smartphonu.
9) Hluboké učení v různých aplikacích - klasifikace obrázků, klasifikace signálů, segmentace obrázků, regrese image2image, segmentace signálů, regrese signal2signal.
10) Transformery - příklad vision transformeru, příklad predikce následujícího slova.
11) Pravděpodobnostní modely 1 - Odhad maximální věrohodnosti, odhad maximální aposteriorní pravděpodobnosti.
12) Pravděpodobnostní modely 2 - Naivní Bayesovský klasifikátor, Gaussovský model směsi, Logistická regrese. 

V průběhu semestru studenti vypracovávají zadané úkoly a projekty zaměřené na praktickou implementaci algoritmů strojového učení. Úkoly zahrnují programování v Pythonu, analýzu dat, trénování modelů a vyhodnocení jejich výkonnosti. Studenti samostatně implementují řešení na základě získaných znalostí z přednášek a cvičení, přičemž mohou konzultovat s vyučujícím.