IB031 Úvod do strojového učení

Fakulta informatiky
jaro 2022
Rozsah
2/2/0. 3 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)
Bc. Aleš Calábek (cvičící)
RNDr. Jaroslav Čechák, Ph.D. (cvičící)
RNDr. Tomáš Effenberger, Ph.D. (cvičící)
Mgr. Adam Hájek (cvičící)
Mgr. Adam Ivora (cvičící)
Mgr. Marek Kadlčík (cvičící)
RNDr. Filip Lux (cvičící)
doc. Mgr. Bc. Vít Nováček, PhD (cvičící)
Bc. Michal Starý (cvičící)
Mgr. et Mgr. Bc. Pavla Wernerová (pomocník)
Garance
doc. RNDr. Tomáš Brázdil, Ph.D.
Katedra strojového učení a zpracování dat – Fakulta informatiky
Dodavatelské pracoviště: Katedra strojového učení a zpracování dat – Fakulta informatiky
Rozvrh
Út 15. 2. až Út 10. 5. Út 8:00–9:50 D1
  • Rozvrh seminárních/paralelních skupin:
IB031/01: Po 14. 2. až Po 9. 5. Po 14:00–15:50 B130, T. Brázdil, J. Čechák
IB031/02: Po 14. 2. až Po 9. 5. Po 10:00–11:50 B130, J. Čechák, A. Ivora
IB031/03: Čt 17. 2. až Čt 12. 5. Čt 10:00–11:50 B130, J. Čechák, V. Nováček
IB031/04: Čt 17. 2. až Čt 12. 5. Čt 8:00–9:50 B130, F. Lux, V. Nováček
IB031/05: Út 15. 2. až Út 10. 5. Út 10:00–11:50 B130, A. Hájek, V. Nováček
Předpoklady
Doporučeno: znalosti v rozsahu kursů MB102 a MB103.
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
předmět má 40 mateřských oborů, zobrazit
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 záměn/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.
  • Ukázka pokročilejších metod strojového učení: Induktivní logické programování, hluboké učení.
Literatura
    doporučená literatura
  • MITCHELL, Tom M. Machine learning. Boston: McGraw-Hill, 1997, xv, 414. ISBN 0070428077. info
    neurčeno
  • GÉRON, Aurélien. Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow : concepts, tools, and techniques to build intelligent systems. Second edition. Beijing: O'Reilly, 2019, xxv, 819. ISBN 9781492032649. info
  • ROGERS, Simon a Mark GIROLAMI. A first course in machine learning. Boca Raton: CRC Press/Taylor & Francis Group, 2012, xx, 285. ISBN 9781439824146. info
  • FLACH, Peter A. Machine learning : the art and science of algorithms that make sense of data. New York: Cambridge University Press, 2012, xvii, 396. ISBN 1107422221. info
  • Pattern recognition and machine learning. Edited by Christopher M. Bishop. New York: Springer, 2006, xx, 738. ISBN 0387310738. info
  • 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
Předmět je vyučován každoročně.
Předmět je zařazen také v obdobích jaro 2015, jaro 2016, jaro 2017, jaro 2018, jaro 2019, jaro 2020, jaro 2021, jaro 2023, jaro 2024, jaro 2025.