PředmětyPředměty(verze: 944)
Předmět, akademický rok 2023/2024
   Přihlásit přes CAS
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
Způsob výuky: prezenční
Garant: Mgr. Marta Vomlelová, Ph.D.
Třída: Informatika Mgr. - Teoretická informatika
Informatika Mgr. - Matematická lingvistika
Kategorizace předmětu: Informatika > Teoretická informatika
Anotace -
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.
Cíl předmětu -
Poslední úprava: T_KTI (03.05.2012)

Naučit teorii, metody a algoritmy používané ve strojovém učení.

Podmínky zakončení předmětu -
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.

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

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.

Požadavky ke zkoušce -
Poslední úprava: Mgr. Marta Vomlelová, Ph.D. (07.06.2019)

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

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

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,

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

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,

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.

 
Univerzita Karlova | Informační systém UK