PředmětyPředměty(verze: 908)
Předmět, akademický rok 2022/2023
   Přihlásit přes CAS
Metody strojového učení - NPFL104
Anglický název: Machine Learning Methods
Zajišťuje: Ústav formální a aplikované lingvistiky (32-UFAL)
Fakulta: Matematicko-fyzikální fakulta
Platnost: od 2020
Semestr: letní
E-Kredity: 4
Rozsah, examinace: letní s.:1/2, Z+Zk [HT]
Počet míst: neomezen
Minimální obsazenost: neomezen
Virtuální mobilita / počet míst: ne
Stav předmětu: nevyučován
Jazyk výuky: čeština, angličtina
Způsob výuky: prezenční
Další informace: https://ufal.mff.cuni.cz/courses/npfl104
Poznámka: předmět je možno zapsat mimo plán
povolen pro zápis po webu
Garant: doc. Ing. Zdeněk Žabokrtský, Ph.D.
doc. RNDr. Ondřej Bojar, Ph.D.
Třída: DS, matematická lingvistika
Informatika Mgr. - Matematická lingvistika
Je neslučitelnost pro: NPFX104
Je záměnnost pro: NPFX104
Výsledky anket   Termíny zkoušek   Rozvrh   Nástěnka   
Anotace -
Poslední úprava: T_UFAL (13.05.2014)
Kurs je zaměřen na získání praktických zkušeností s aplikací technik strojového učení na reálná data. U studentů je očekávána znalost základních pojmů z oblasti strojového učení. V přednášce jsou stručně zopakovány vybrané metody klasifikace, regrese a shlukové analýzy a dále probrány některé přístupy ke zvyšování jejich úspěšnosti, například regularizace, transformace množin rysů, diagnostika. Cvičení jsou zaměřena jak na vlastní implementace několika metod strojového učení, tak na seznámení se s existujícími implementacemi v jazyce Python.
Podmínky zakončení předmětu -
Poslední úprava: doc. Ing. Zdeněk Žabokrtský, Ph.D. (13.06.2019)

K absolvování předmětu je nutno průběžně odevzdávat domácí úkoly a absolvovat závěrečný zkouškový písemný test.

Domácí úkoly

  • Úkoly budou specifikovány na hodině, zadání budou k dispozici také na webové stránce předmětu.
  • K udělení zápočtu je nutno získat celkově alespoň 50% možných bodů z úkolů.
  • Každý úkol má určený termín, do kterého musí být odevzdán. Při odevzdání úkolu se zpožděním méně než dva týdny budou získané body vyděleny dvěma. Po ještě pozdějším odevzdání úkolu za něj nebudou přiděleny žádné body.

Závěrečný písemný test

  • K absolvování zkoušky je nutno získat alespoň 50% bodů ze závěrečného zkouškového písemného testu.

Známkování

  • Celková známka vyplyne z průměru bodů získaných z domácích úkolů a ze závěrečného testu.
  • ≥ 90%: známka 1
  • ≥ 70%: známka 2
  • ≥ 50%: známka 3
  • < 50%: známka 4
Literatura -
Poslední úprava: doc. Mgr. Barbora Vidová Hladká, Ph.D. (25.01.2019)
  • Christopher M. Bishop: Pattern Recognition and Machine Learning. Springer Verlag. 2006.
  • Trevor Hastie, Robert Tibshirani, Jerome Friedman: The Elements of Statistical Learning. Springer Verlag. 2001.

Sylabus -
Poslední úprava: T_UFAL (09.05.2012)
  • vlastní implementace základních metod pro klasifikaci a regresi
  • seznámení s vybranými knihovnami pro ML
  • experimentální srovnávání charakteristik různých klasifikačních metod
  • výběr rysů
  • kombinace modelů
  • implementace základních technik neřízeného učení

 
Univerzita Karlova | Informační systém UK