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
• Virtuální mobilita / počet míst: ne
• Stav předmětu: vyučován
• Jazyk výuky: čeština, angličtina
• Způsob výuky: prezenční
• Garant: Mgr. Marta Vomlelová, Ph.D.
• Třída: Informatika Mgr. - Teoretická informatika; Informatika Mgr. - Matematická lingvistika
• Kategorizace předmětu: Informatika > Teoretická informatika

Anotace

čeština

Poslední úprava: 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.

angličtina

Poslední úprava: 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.

Cíl předmětu

čeština

Poslední úprava: T_KTI (03.05.2012)

Naučit teorii, metody a algoritmy používané ve strojovém učení.

angličtina

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

The course extends the basic machine learning course.

Podmínky zakončení předmětu

čeština

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

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.

angličtina

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

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

Literatura

čeština

Poslední úprava: 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

Požadavky ke zkoušce

čeština

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

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

angličtina

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

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

Sylabus

čeština

Poslední úprava: Mgr. Marta Vomlelová, Ph.D. (07.06.2020)

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,

Pravděpodobnostní přístupy; neorientované grafické modely, gaussovské procesy a bayesovská optimalizace,

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

angličtina

Poslední úprava: Mgr. Marta Vomlelová, Ph.D. (07.06.2020)

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,

Undirected graphical models, Gaussian processes and Bayesian optimization,

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