PLIN068 Applied Machine Learning

Filozofická fakulta
jaro 2025
Rozsah
2/0/0. 3 kr. Ukončení: k.
Vyučováno kontaktně
Vyučující
Mgr. Marek Grác, Ph.D. (přednášející), Mgr. Dana Hlaváčková, Ph.D. (zástupce)
Mgr. Denisa Šrámková (přednášející)
Mgr. Eva Maršálková (přednášející)
Mgr. Richard Holaj, Ph.D. (přednášející)
Garance
Mgr. Richard Holaj, Ph.D.
Ústav českého jazyka – Filozofická fakulta
Kontaktní osoba: Mgr. Hana Žižková, Ph.D.
Dodavatelské pracoviště: Ústav českého jazyka – Filozofická fakulta
Předpoklady
NOW( PLIN069 Applied ML Project )
* Understanding of technical English (B2)
* High-school level math
* Basic knowledge of programming in Python
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Předmět si smí zapsat nejvýše 15 stud.
Momentální stav registrace a zápisu: zapsáno: 0/15, pouze zareg.: 0/15, pouze zareg. s předností (mateřské obory): 0/15
Mateřské obory/plány
předmět má 7 mateřských oborů, zobrazit
Cíle předmětu
The goal of this subject is to teach students state of the art techniques in the field of ML/AI. Students will:
* understand selected algorithms at high level
* apply them to real problems in the selected field
On the basis of obtained knowledge, students will be able to prepare data, propose solutions and evaluate the quality of the created models.
The subject is not primarily suitable for students who want to master individual algorithms but is especially suitable for those who wish to apply those techniques in fields other than informatics.
Výstupy z učení
Student will be able to apply relevant techniques in ML/AI. Student will have the basic knowledge of applying ML/AI in problems where structured data, free text, images or time series forecasting is usable. Student will know how to qualitatively evaluate results using existing metrics.
Osnova
  • Introduction and history of ML/AI
  • Introduction to models and hypotheseis
  • Logistic regression. Decision tTrees
  • Libraries, frameworks and tools for ML/AI
  • Data preparation and process of the annotation
  • Neural network and deep neural network
  • Recurrent and convolutional neural network
  • Interpretation and explainability of the models and their results
  • GPT-3, chatGPT, Midjourney and other large models for text and images
  • Transformers and attention
Výukové metody
Pre-recorded video, homework, exercises
Metody hodnocení
Homework evaluation, essay, activity, final examination
Vyučovací jazyk
Angličtina
Další komentáře
Předmět je vyučován každoročně.
Výuka probíhá každý týden.
Nachází se v prerekvizitách jiných předmětů
Předmět je zařazen také v obdobích jaro 2021, jaro 2022, jaro 2023, jaro 2024.