Strojové učení - NAIL029

• Anglický název: Machine Learning
• Zajišťuje: Katedra teoretické informatiky a matematické logiky (32-KTIML)
• Fakulta: Matematicko-fyzikální fakulta
• Platnost: od 2015
• Semestr: letní
• E-Kredity: 3
• Rozsah, examinace: letní s.:2/0, Zk [HT]
• Počet míst: neomezen
• Minimální obsazenost: neomezen
• 4EU+: ne
• Virtuální mobilita / počet míst pro virtuální mobilitu: ne
• Stav předmětu: vyučován
• Jazyk výuky: čeština, angličtina
• Způsob výuky: prezenční
• Garant: Mgr. Marta Vomlelová, Ph.D.
• Vyučující: Mgr. Marta Vomlelová, Ph.D.
• Třída: Informatika Mgr. - Teoretická informatika; Informatika Mgr. - Matematická lingvistika
• Kategorizace předmětu: Informatika > Teoretická informatika

Anotace

čeština

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.

Poslední úprava: T_KTI (03.05.2012)

angličtina

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.

Poslední úprava: T_KTI (03.05.2012)

Cíl předmětu

čeština

Naučit teorii, metody a algoritmy používané ve strojovém učení.

Poslední úprava: T_KTI (03.05.2012)

angličtina

The course extends the basic machine learning course.

Poslední úprava: Vomlelová Marta, Mgr., Ph.D. (14.05.2021)

Podmínky zakončení předmětu

čeština

Pro úspěšné absolvování je třeba složit ústní zkoušku z témat obsažených v sylabu v rozsahu předneseném na přednášce.

Část zkoušek může konat distanční formou. Závisí to na vývoji aktuální situace a o jakékoli změně budete včas informováni.

Poslední úprava: Vomlelová Marta, Mgr., Ph.D. (28.04.2020)

angličtina

The exam consists of a written preparation and an oral part. The requirements are given by the course syllabus.

Poslední úprava: Vomlelová Marta, Mgr., Ph.D. (07.06.2019)

Literatura

čeština

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

C. E. Rasmussen & C. K. I. Williams, Gaussian Processes for Machine Learning, the MIT Press, 2006

A. Cropper and S. Dumancic. Inductive logic programming at 30: a new introduction. CoRR, abs/2008.07912, 2020.

Poslední úprava: Vomlelová Marta, Mgr., Ph.D. (11.05.2023)

Požadavky ke zkoušce

čeština

Zkouška je ústní z témat odpovídajících sylabu v rozsahu předneseném na přednášce.

Poslední úprava: Vomlelová Marta, Mgr., Ph.D. (07.06.2019)

angličtina

The exam consists of a written preparation and an oral part. The requirements are given by the course syllabus.

Poslední úprava: Vomlelová Marta, Mgr., Ph.D. (07.06.2019)

Sylabus

čeština

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,

příklad expanze bazických funkcí a regularizace (např. vyhlazené splajny),

logistická regrese, zobecněné lineární modely,

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

rozhodovací stromy, prořezávání, chybějící hodnoty,

kombinace modelů (AdaBoost, random forest),

bayesovské učení, EM algoritmus,

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

induktivní logické programování,

pravděpodobnostní přístupy; neorientované grafické modely, gaussovské procesy a bayesovská optimalizace.

Poslední úprava: Vomlelová Marta, Mgr., Ph.D. (21.05.2025)

angličtina

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

basis expansion and regularization (smoothing splines and other methods),

logistic regression, generalized additive models,

model assessment (crossvalidation, one-leave-out, analytical criteria)

decision trees, prunning, missing values,

model averaging, boosting, random forest,

Bayesian learning, EM algorithm introduced on an clustering example,

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

inductive logic programming,

Undirected graphical models, Gaussian processes and Bayesian optimization.

Poslední úprava: Vomlelová Marta, Mgr., Ph.D. (21.05.2025)