PředmětyPředměty(verze: 806)
Předmět, akademický rok 2017/2018
   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 [hodiny/týden]
Počet míst: neomezen
Minimální obsazenost: neomezen
Stav předmětu: vyučován
Jazyk výuky: čeština
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.

Literatura -
Poslední úprava: Mgr. Marta Vomlelová, Ph.D. (20.04.2016)

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

Sylabus -
Poslední úprava: Mgr. Marta Vomlelová, Ph.D. (20.04.2016)

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.

 
Univerzita Karlova | Informační systém UK