FI:IB031 Úvod do strojového učení - Informace o předmětu
IB031 Úvod do strojového učení
Fakulta informatikyjaro 2018
- Rozsah
- 2/2/0. 4 kr. (plus ukončení). Doporučované ukončení: zk. Jiná možná ukončení: z.
- Vyučující
- doc. RNDr. Tomáš Brázdil, Ph.D. (přednášející)
doc. RNDr. Lubomír Popelínský, Ph.D. (přednášející)
RNDr. Karel Vaculík, Ph.D. (cvičící)
RNDr. Jaroslav Čechák, Ph.D. (pomocník)
Mgr. Veronika Krejčířová (pomocník) - Garance
- prof. RNDr. Mojmír Křetínský, CSc.
Katedra teorie programování – Fakulta informatiky
Dodavatelské pracoviště: Katedra teorie programování – Fakulta informatiky - Rozvrh
- Po 8:00–9:50 A318
- Rozvrh seminárních/paralelních skupin:
IB031/02: Po 18:00–19:50 B130, K. Vaculík - Předpoklady
- Doporučeno: znalosti v rozsahu kursů MB102 a MB103.
- Omezení zápisu do předmětu
- Předmět je otevřen studentům libovolného oboru.
- Cíle předmětu
- Student se bude po absolvování předmětu schopen samostatně orientovat v základních metodách a přístupech z oblasti strojového učení. Bude mít základní představu o fundamentálních teoretických modelech a jejich klíčových praktických aplikacích. Bude mít přehled o souvislostech strojového učení s dalšími oblastmi informatiky a matematiky, zejména s matematickou statistikou, logikou, umělou inteligencí a optimalizací. Bude umět implementovat aplikaci metod strojového učení.
- Výstupy z učení
- Student bude po absolvování předmětu
- schopen se samostatně orientovat v základních metodách a přístupech z oblasti strojového učení;
- bude mít základní představu o fundamentálních teoretických modelech a jejich klíčových praktických aplikacích;
- bude mít přehled o souvislostech strojového učení s dalšími oblastmi informatiky a matematiky, zejména s matematickou statistikou, logikou, umělou inteligencí a optimalizací;
- bude umět implementovat aplikaci metod strojového učení a ověřit její výsledky. - Osnova
- Základy strojového učení: klasifikace a regrese, shluková analýza, učení s učitelem a bez učitele, ilustrační příklady
- Rozhodovací stromy: učení rozhodovacích stromů, učení pravidel
- Logika a strojové učení: specializace, generalizace, logický důsledek
- Ověřování výsledku učení: učící a testovací množina, přeučení, krížová validace, matice zmatenosti, učící krivka, ROC křivka; sampling, normalizace
- Pravděpodobnostní model: Bayesovo pravidlo, MAP, MLE, naivní Bayes; jemný úvod do Bayesovských sítí
- Lineární regrese (klasifikace), metoda nejmenších čtverců, souvislost s MLE, regresní stromy
- Kernelové metody: SVM, kernelová transformace, kernelový trik
- Neuronové sítě: vícevrstvá síť, zpětná propagace, nelineární regrese, bias vs. variance, regularizace
- Líné učení: metoda k nejbližších sousedů. Shluková analýza: metoda k-středů, hierarchické shlukování, EM
- Praktické strojové učení. Předzpracování dat: výběr atributů, konstrukce nových atributů, metody vzorkování. Ensemble methods. Bagging. Boosting. Nástroje pro strojové učení. Weka
- Ukázka pokročilejších metod strojového učení: Induktivní logické programování, hluboké učení.
- Literatura
- doporučená literatura
- Simon Rogers, Mark Girolami. A First Course in Machine Learning . Chapman and Hall, 2011.
- BERKA, Petr. Dobývání znalostí z databází. Vyd. 1. Praha: Academia, 2003, 366 s. ISBN 8020010629. info
- Záložky
- https://is.muni.cz/ln/tag/FI:IB031!
- Výukové metody
- Přednášky + cvičení + projekt
- Metody hodnocení
- Semestrální zkouška, projekt, závěrečná zkouška.
- Navazující předměty
- Další komentáře
- Studijní materiály
Předmět je vyučován každoročně.
- Statistika zápisu (jaro 2018, nejnovější)
- Permalink: https://is.muni.cz/predmet/fi/jaro2018/IB031