Základy strojového učení - NMMB338

• Anglický název: Introduction to machine learning
• Zajišťuje: Katedra algebry (32-KA)
• Fakulta: Matematicko-fyzikální fakulta
• Platnost: od 2025
• Semestr: letní
• E-Kredity: 5
• Rozsah, examinace: letní s.:2/2, Z+Zk [HT]
• Počet míst: neomezen
• Minimální obsazenost: neomezen
• 4EU+: ne
• Virtuální mobilita / počet míst pro virtuální mobilitu: ne
• Stav předmětu: vyučován
• Jazyk výuky: angličtina
• Způsob výuky: prezenční
• Je zajišťováno předmětem: NMFP436
• Garant: RNDr. Karel Kozmík, Ph.D.; Mgr. Ondřej Týbl, Ph.D.; doc. RNDr. Michal Pešta, Ph.D.
• Třída: M Mgr. MMIB > Povinně volitelné
• Kategorizace předmětu: Informatika > Aplikační software; Matematika > Pravděpodobnost a statistika
• Korekvizity : NMMB343
• Neslučitelnost : NMFP436
• Záměnnost : NMFP436
• Je neslučitelnost pro: NMFP436

Anotace

čeština

Úvod do strojového učení, motivace, příklady využití.

Poslední úprava: Žemlička Jan, doc. Mgr. et Mgr., Ph.D. (23.05.2025)

angličtina

Introduction to machine learning, motivation, examples of use.

Poslední úprava: Žemlička Jan, doc. Mgr. et Mgr., Ph.D. (23.05.2025)

Cíl předmětu

čeština

Úvod do základních principů strojového učení a jeho využití.

Poslední úprava: Žemlička Jan, doc. Mgr. et Mgr., Ph.D. (23.05.2025)

angličtina

An introduction to basic machine learning principles and its use in practice.

Poslední úprava: Žemlička Jan, doc. Mgr. et Mgr., Ph.D. (23.05.2025)

Podmínky zakončení předmětu

čeština

Detaily jsou na webové stránce: https://www2.karlin.mff.cuni.cz/~kozmikk/DS2.php

Poslední úprava: Žemlička Jan, doc. Mgr. et Mgr., Ph.D. (23.05.2025)

angličtina

Details can be found on the webpage: https://www2.karlin.mff.cuni.cz/~kozmikk/DS2.php

Poslední úprava: Žemlička Jan, doc. Mgr. et Mgr., Ph.D. (23.05.2025)

Literatura

čeština

Yoshua Bengio, Ian Goodfellow, Aaron Courville: Deep learning, MIT Press, In preparation.

Jürgen Schmidhuber: Deep learning in neural networks: An overview, Neural networks 61 (2015): 85-117.

Friedman, J. H. (March 1999): Stochastic Gradient Boosting, Computational Statistics and Data Analysis, vol. 38, pp. 367-378

Poslední úprava: Žemlička Jan, doc. Mgr. et Mgr., Ph.D. (23.05.2025)

Metody výuky

čeština

Přednáška + cvičení.

Poslední úprava: Žemlička Jan, doc. Mgr. et Mgr., Ph.D. (23.05.2025)

angličtina

Lecture + exercises.

Poslední úprava: Žemlička Jan, doc. Mgr. et Mgr., Ph.D. (23.05.2025)

Požadavky ke zkoušce

čeština

Zkouška bude probíhat formou řešení praktické úlohy v jazyce Python a diskuze nad zvoleným algoritmem, teoretických základech a výsledcích na konkrétním problému. Studenti dostanou k dispozici datovou sadu a popis problému, který je potřeba prediktivním modelem vyřešit. Pro složení zkoušky je vyžadován zápočet.

Poslední úprava: Žemlička Jan, doc. Mgr. et Mgr., Ph.D. (23.05.2025)

angličtina

Exam will include solving a practical task in Python with discussion about selected algorithm, its theoretial background and results achived in the practical task. Student will receive a data set together with a description of the prediction task which needs to be solved. Course credit is required for examination.

Poslední úprava: Žemlička Jan, doc. Mgr. et Mgr., Ph.D. (23.05.2025)

Sylabus

čeština

Náplň předmětu:

• úvod do strojového učení, motivace, příklady využití

• obecné postupy ve strojovém učení: rozdělení dat do trénovací a validační množiny, over-fitting, regularizace

• metody využívající rozhodovací stromy: rozhodovací stromy, náhodné lesy, gradientní boosting

• metody požívající neuronové sítě: jednoduché neuronové sítě, konvoluční neuronové sítě, rekurentní neuronové sítě

• shluková analýza – supervised vs unsupervised

• ostatní klasifikační metody – metoda opěrných nadrovin, naivní bayseovský klasifikátor

Náplň cvičení:

• cvičení bude probíhat na počítačích a bude se využívat jazyk Python

• jednotlivé metody strojového učení budeme aplikovat v praxi na reálných datech

Poslední úprava: Žemlička Jan, doc. Mgr. et Mgr., Ph.D. (23.05.2025)

angličtina

Lectures:

• introduction to machine learning, motivation, examples

• general methods in machine learning: split of dataset to training and validation, over-fitting, regularization

• methods using decision trees: decision trees, random forest, gradient boosting

• methods using neural networks: simple neural networks, convolutional neural networks, recurrent neural networks

• clustering methods – supervised vs unsupervised

• other classification methods – support vector machine, naive Bayes

Practicals:

• Practicals will be held in computer lab and Python language will be used

• Machine learning algorithms will be applied on real data

Poslední úprava: Žemlička Jan, doc. Mgr. et Mgr., Ph.D. (23.05.2025)

Vstupní požadavky

čeština

Nutné:

• Základy kalkulu: derivace, integrály, Taylorův rozvoj atd.

• Základy pravděpodobnosti a statistiky: pravděpodobnostní rozdělení centrální limitní věta, testování

hypotéz, Fisherova informace, maximálně věrohodné odhady.

• Základy programování (v jakémkoli jazyce).

Doporučené:

• Python: základy budou probrány, ale pro studenty bez znalosti Pythonu může být absolvování předmětu

náročnější výzvou.

Poslední úprava: Žemlička Jan, doc. Mgr. et Mgr., Ph.D. (23.05.2025)

angličtina

Necessary:

• Basic calculus: derivatives, integrals, Taylor expansion, etc.

• Basic probability and statistics: probability distributions, central limit theorem, statistical tests and hypotheses, Fisher information, maximum likelihood estimators

• Basic programming skills (in any language)

Good to know:

• Python: some basics will be covered, but can be challenging if the student has no experience with Python

Poslední úprava: Žemlička Jan, doc. Mgr. et Mgr., Ph.D. (23.05.2025)