Machine Learning - NAIL029

• Title: Strojové učení
• Guaranteed by: Department of Theoretical Computer Science and Mathematical Logic (32-KTIML)
• Faculty: Faculty of Mathematics and Physics
• Actual: from 2015
• Semester: summer
• E-Credits: 3
• Hours per week, examination: summer s.:2/0, Ex [HT]
• Capacity: unlimited
• Min. number of students: unlimited
• 4EU+: no
• Virtual mobility / capacity: no
• State of the course: taught
• Language: Czech
• Teaching methods: full-time
• Teaching methods: full-time
• Guarantor: Mgr. Marta Vomlelová, Ph.D.
• Class: Informatika Mgr. - Teoretická informatika; Informatika Mgr. - Matematická lingvistika
• Classification: Informatics > Theoretical Computer Science

Annotation

English

Last update: T_KTI (03.05.2012)

The aim of the course is to introduce machine learning as important and in this time very vital field developing in the close connection with artificial intelligence. The course gives a survey of basic branches of machine learning (supervised inductive learning, reinforcement learning, unsupervised learning and knowledge in learning), main problems and methods and some typical algorithms.

Czech

Last update: T_KTI (03.05.2012)

Přednáška představuje oblast strojového učení, které se v současné době intenzivně rozvíjí v úzké souvislosti s umělou inteligencí. Podává přehled základních typů strojového učení, hlavních problémů a metod a uvádí některé typické algoritmy.

Aim of the course

Last update: T_KTI (03.05.2012)

Naučit teorii, metody a algoritmy používané ve strojovém učení.

Literature

English

Last update: Mgr. Marta Vomlelová, Ph.D. (20.12.2022)

T. Hastie, R. Tibshirani, J. Friedman: The Elements of Statistical Learning, Springer 2009

G. James, D. Witten, T. Hastie, R. Tibshirani: An Introduction to Statistical learning with Applications in R, Springer, 2014

S.J. Russell, P. Norvig: Artificial Intelligence: A Modern Approach; Prentice Hall, 1995

I.H.Witten and E.Frank. Data Mining - Practical machine learning tools and techniques with Java implementation. Academic Press Pub., USA, 1999

Syllabus

English

Last update: Mgr. Marta Vomlelová, Ph.D. (26.06.2019)

Linear regression and instance based learning as "extremal points" in the space of models,

the curse of dimensionality, bias-variance tradeoff,

logistic regression, generalized additive models,

model assessment (confidence intervals, crossvalidation, one-leave-out)

decision trees, prunning, missing values, random forest,

rule search PRIM,

model averaging, boosting, random forest,

support vector machines,

Bayesian learning, EM algorithm introduced on an clustering example,

unsupervised learning - market basket analysis, clustering k-means, k-medoids, hierarchical clustering,

inductive logical programming.

Czech

Last update: Mgr. Marta Vomlelová, Ph.D. (26.06.2019)

Snaha je nahlížet probírané modely jako používané algoritmy i z pohledu statistiků (viz první kniha Literatury).

Lineární regrese a učení založené na instancích jakožto extrémy v prostoru možných modelů,

prokletí dimenzionality, bias-variance tradeoff,

logistická regrese, zobecněné lineární modely,

ohodnocování modelů (odhad chyby a interval spolehlivosti, krosvalidace, one-leave-out),

rozhodovací stromy, prořezávání, chybějící hodnoty,

tvorba pravidel PRIM,

kombinace modelů (AdaBoost, random forest),

support vector machines,

Bayesovské učení, EM algoritmus na příkladu klastrování,

učení bez učitele - nákupní košík (Apriori alg.), klastrování k-means, k-medoids, hierarchické,

induktivní logické programování.