Seminar of machine learning and modelling II - NAIL100

• Title: Seminář strojového učení a modelování II
• Guaranteed by: Department of Theoretical Computer Science and Mathematical Logic (32-KTIML)
• Faculty: Faculty of Mathematics and Physics
• Actual: from 2011 to 2016
• Semester: summer
• E-Credits: 2
• Hours per week, examination: summer s.:0/1, C [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
• Additional information: http://ai.ms.mff.cuni.cz/~sui/
• Note: enabled for web enrollment
• Guarantor: prof. RNDr. Ing. Martin Holeňa, CSc.
• Class: Informatika Mgr. - volitelný
• Classification: Informatics > Informatics, Software Applications, Computer Graphics and Geometry, Database Systems, Didactics of Informatics, Discrete Mathematics, External Subjects, General Subjects, Computer and Formal Linguistics, Optimalization, Programming, Software Engineering, Theoretical Computer Science, Theoretical Computer Science

Annotation

English

Last update: T_KTI (11.05.2010)

Seminar of machine learning and modelling is oriented to methods of machine learning and modelling based on data. Work of Mgr. and PhD. students, lectures of researchers and occasionally invided lectures of foreign visitors from this area are presented. We invite also students, which want to refere about some book or paper in area of machine learning or modelling based on data.

Czech

Last update: T_KTI (11.05.2010)

Seminář strojového učení a modelování se zabývá metodami strojového učení a modelování na základě dat. Na semináři se střídají vystoupení diplomantů a doktorandů z MFF, FJFI a FEL a zvanými přednáškami vědeckých pracovníků z této oblasti, příležitostně i zahraničních návštěv. Vítáme ale i studenty, kteří mají chuť poreferovat o nějaké zajímavé knížce nebo článku z oblasti strojového učení či modelování na základě dat.

Aim of the course

Last update: prof. RNDr. Ing. Martin Holeňa, CSc. (29.06.2019)

Umožnit navazování a udržování kontaktů mezi diplomanty a doktorandy z MFF, FJFI a FEL pracujících na tématech z oblasti strojového učení a modelování na základě dat. Zprostředkovat jim výměnu zkušeností mezi sebou i s vědeckými pracovníky z těchto oblastí zvanými na seminář. Poskytnout jim feedback a inspirující nápady.

Literature

Last update: prof. RNDr. Ing. Martin Holeňa, CSc. (02.11.2019)

Seminář nemá jednotný seznam literatury, protože diplomové a disertační práce se opírají především o specifickou literaturu k řešenému tématu. Vítáni jsou i zájemci, kteří četli nějakou zajímavou knížku či přehledový článek související se zaměřením semináře a mají chuť o tom poreferovat.

Syllabus

English

Last update: T_KTI (11.05.2010)

The following list of themas is about interests of lecturers from previous years, but does not limit future themas. Invited are all themas relevant to machine learning and modelling based on data.

Examples of previous themas:

Learning of ruled from data, learning of boolean anf fuzzy rules.

Association and clasification rules.

Inductive inference, inductive logic programming.

Case-based study, transductive inference.

Statistical learning, PAC learning.

Clustering based on similarity, clustering using self-organisation.

Evolutional learning, evolutional extraction of rules from data.

Genetic algorithms, genetic programing.

Evolutional algorithms based on differential evolution and on estimations of distibution.

Learning of artificial neural nets (with and without supervisor).

Perceptrons and multilayered perceptrons.

Neuron nets with radial basis functions.

Self-organising maps, combining of neuron nets and evolution algorithms.

Clasification and regression using support vector machines.

Hierarchical regression models.

Decision trees for classification and regression.

Combining of decision trees to random forests.

General methods of combining classifiers, ensemble methods.

Fuzzy aggregation of classifiers, fuzzy classification.

General methods of combining regression models, reliability of prediction.

Data visualization, visualization of models constructed from data.

Applications of machine learning methods in physics, chemistry, biology and computer games.

Application of models extracted from data in natural and technical sciences.

Czech

Last update: T_KTI (11.05.2010)

Seminář strojového učení a modelování se schází jednou za dva týdny v rozsahu 2 vyučovacích hodin. Níže uvedené příklady témat dokumentují, čím se účastníci semináře zabývali v minulých letech, v žádném případě není myšlený jako omezení pro budoucí účastníky. Vítána jsou všechna témata, která nějakým způsobem souvisí se strojovým učením nebo modelováním na základě dat.

Příklady témat probíraných na semináři

Učení pravidel z dat, učení booleovských a fuzzy pravidel.

? Asociační a klasifikační pravidla.

Induktivní inference, induktivní logické programování.

Případové učení, transduktivní inference.

Statistické učení, PAC učení.

Shlukování na základě podobnosti, shlukování samoorganizací.

Evoluční učení, evoluční získávání pravidel z dat.

Genetické algoritmy, genetické programování.

Evoluční algoritmy založené na diferenční evoluci a odhadech rozdělení pravděpodobnosti.

Učení umělých neuronových sítí (s učitelem i bez učitele).

Perceptrony a vícevrstvé perceptrony.

Neuronové sítě s radiálními bázovými funkcemi.

Samoorganizující mapy, kombinování neuronových sítí a evolučních algoritmů.

Klasifikace a regrese pomocí opěrných vektorů (support vector machines).

Hierarchické regresní modely.

Rozhodovací stromy pro klasifikaci a regresi.

Kombinování rozhodovacích stromů do náhodných lesů.

Obecné metody kombinování klasifikátorů, ensemblové metody.

Fuzzy aggregace klasifikátorů, fuzzy klasifikace.

Obecné metody kombinování regresních modelů, spolehlivost predikce.

Vizualizace dat, vizualizace modelů zkonstruovaných na základě dat.

Aplikace metod strojového učení ve fyzice, chemii, biologii a počítačových hrách.

Aplikace modelů získávaných z dat v přírodních vědách a v technice.