IB031 Úvod do strojového učení

Fakulta informatiky
jaro 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:
IB031/01: Po 16:00–17:50 B130, K. Vaculík
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
    neurčeno
  • Pattern recognition and machine learning. Edited by Christopher M. Bishop. New York: Springer, 2006, xx, 738. ISBN 0387310738. info
  • MITCHELL, Tom M. Machine learning. Boston: McGraw-Hill, 1997, xv, 414. ISBN 0070428077. 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 2016, jaro 2017, jaro 2019, jaro 2020, jaro 2021, jaro 2022, jaro 2023, jaro 2024, jaro 2025.