IB031 Úvod do strojového učení

Fakulta informatiky
jaro 2016
Rozsah
2/0/1. 3 kr. (plus ukončení). Ukončení: zk.
Vyučující
doc. RNDr. Tomáš Brázdil, Ph.D. (přednášející)
doc. RNDr. Lubomír Popelínský, Ph.D. (přednášející)
RNDr. Karel Vaculík, Ph.D. (cvičící)
Garance
prof. RNDr. Mojmír Křetínský, CSc.
Katedra teorie programování – Fakulta informatiky
Dodavatelské pracoviště: Katedra teorie programování – Fakulta informatiky
Rozvrh
St 10:00–11:50 A217
  • Rozvrh seminárních/paralelních skupin:
IB031/01: každý sudý pátek 8:00–9:50 A219, K. Vaculík
IB031/02: každý lichý pátek 8:00–9:50 A219, 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.
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. 366 s. ISBN 8020010629. 2003. info
    neurčeno
  • Pattern recognition and machine learning. Edited by Christopher M. Bishop. New York: Springer. xx, 738. ISBN 0387310738. 2006. info
  • MITCHELL, Tom M. Machine learning. Boston: McGraw-Hill. xv, 414. ISBN 0070428077. 1997. 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.
Předmět je zařazen také v obdobích jaro 2015, jaro 2017, jaro 2018, jaro 2019, jaro 2020, jaro 2021, jaro 2022, jaro 2023, jaro 2024.