|
Vyučující
|
-
Wan Radek, Ing.
-
Kršňák Miloslav, Ing. Ph.D.
|
|
Obsah předmětu
|
Níže uvedená témata představují okruhy probírané látky a neodpovídají zcela přesně jednotlivým rozvrhovaným přednáškám: 1. Úvodní informace, organizace předmětu, doporučená literatura a zdroje studijních materiálů; základní pojmy a vztahy mezi nimi, vztah mezi daty, informacemi a znalostmi, definice strojové inteligence a strojového učení, učící se algoritmy; paradigmata a formalismy strojového učení (hypotéza - znalost, stavový a parametrický prostor). 2. Úvod do problematiky strojového učení, učení s učitelem a bez učitele; možnosti aplikace a příklady, případové studie; popis účelu a činnosti částí učícího se systému; operátory strojového učení; úloha strojového učení, její podmínky a cíle; regrese a klasifikace, primitivní lineární klasifikátor. 3. Bayesovské učení, Bayesova věta, optimální a naivní bayesovský klasifikátor, strategie výběru hypotéz, aplikace NBK. 4. Lineární regrese, odvození cenové/pokutové funkce a techniky její minimalizace, odvození gradientní metody, algoritmus gradientního sestupu. 5. Lineární regrese více proměnných, gradientní sestup ve vícerozměrném prostoru, problémy a omezení gradientního sestupu; polynomiální regrese; normální rovnice. 6. Logistická regrese, model hypotézy logistické regrese, interpretace výsledků, rozhodovací hranice, klasifikace do více tříd - algoritmus One-vs-All. 7. Regularizace, přeučení a jeho projevy, techniky potlačení přeučení, naivní odvození regularizace, algoritmus regularizace, regularizovaná lineární a logistická regrese. 8. Support Vector Machines, cíl optimalizace jako alternativní pohled na logistickou regresi, matematický model SVM, hypotéza s bezpečnostním faktorem, jádra. 9. Neuronové sítě, historie, biologický předobraz umělých neuronových sítí, matematický model neuronu, vrstevnaté sítě typu MLP, klasifikace neuronovou sítí, cenová funkce neuronové sítě a její optimalizace, učení, algoritmus Backpropagation. 10. Shlukování, obecné poznatky k učení bez učitele, metoda K-means, optimalizační kritérium K-means, výběr centroidů, volba počtu shluků, algoritmus K-means. 11. Snižování dimenzionality, Principal Component Analysis, princip činnosti a algoritmus PCA, vlastnosti PCA, matematický aparát PCA, aplikace a případové studie. 12. Slepá separace zdrojů, motivace a definice problému separace zdrojů, přehled metod slepé separace, Independent Component Analysis, princip činnosti a algoritmus ICA, vlastnosti ICA, matematický aparát ICA, aplikace a případové studie. 13. Evoluční výpočty a genetické algoritmy, metaheuristické strategie prohledávání stavového prostoru; techniky kódování genotypu; operátory a parametry GA, fitness function; obecný předpis genetického algoritmu, SOEA/MOEA; strategie výběru jedinců nové generace.
|
|
Studijní aktivity a metody výuky
|
Přednáška s diskusí, Přednáška s praktickými aplikacemi, Diskuse, Laboratorní praktika, Studium metodou řešení problémů, Samostatná práce studentů, Samostudium literatury, Přednáška s demonstrací
- Vypracování seminární práce v magisterském studijním programu [5-100]
- 40 hodin za semestr
- Příprava na zkoušku [10-60]
- 30 hodin za semestr
- Příprava prezentace (referátu) [3-8]
- 6 hodin za semestr
- Praktická výuka [vyjádření počtem hodin]
- 26 hodin za semestr
- Kontaktní výuka
- 39 hodin za semestr
- Příprava na laboratorní měření, zpracování výsledků [1-8]
- 15 hodin za semestr
|
| Předpoklady |
|---|
| Odborné znalosti |
|---|
| Dobrá znalost základů matematické analýzy, lineární algebry, pravděpodobnosti a statistiky a numerických metod. Aktivní programátorské dovednosti v nějakém vyšším programovacím jazyce, např. C/C++, Object Pascal, Java, C#; znalost MATLABu či Octave výhodou. Schopnost samostatného studia odborné literatury a obstojná znalost anglického jazyka (předpokládá se studium převážně anglicky psaných zdrojů). |
| Odborné dovednosti |
|---|
| Aktivně programovat v nějakém vyšším programovacím jazyce, např. C/C++, Object Pascal, Java, C#; znalost MATLABu či Octave výhodou. Samostatně studovat odbornou literaturu v anglickém jazyce. |
| Obecné způsobilosti |
|---|
| mgr. studium: samostatně získávají další odborné znalosti, dovednosti a způsobilosti na základě především praktické zkušenosti a jejího vyhodnocení, ale také samostatným studiem teoretických poznatků oboru., |
| mgr. studium: samostatně a odpovědně se na základě rámcového zadání rozhodují v souvislostech jen částečně známých, |
| bc. studium: efektivně využívá různé strategie učení k získání a zpracování poznatků a informací, hledá a rozvíjí účinné postupy ve svém učení, |
| bc. studium: efektivně využívá moderní informační technologie, |
| bc. studium: uplatňuje při řešení problémů vhodné metody a dříve získané vědomosti a dovednosti, kromě analytického a kritického myšlení využívá i myšlení tvořivé s použitím představivosti a intuice, |
| Výsledky učení |
|---|
| Odborné znalosti |
|---|
| Absolvováním předmětu student získá rámcový přehled o paradigmatech umělých kognitivních systémů, zejména s přihlédnutím k jejich praktické aplikaci v oblasti umělé inteligence a inteligentního software. Dosáhne také hlubšího pochopení základních technik strojového učení, reprezentace, odvozování a ukládání znalostí a racionálního chování, tj. rozhodování a řešení problémů, což mu umožní se zapojit do řešení vědecko-výzkumných úkolů ať už v rámci dalšího studia nebo v průmyslové praxi. |
| Odborné dovednosti |
|---|
| Dovede implementovat základní techniky strojového učení či je s hlubokým porozuměním upravovat. Dokáže také navrhovat smysluplné vlastní postupy řešení problémů z oblasti umělé inteligence a strojového učení. |
| Obecné způsobilosti |
|---|
| mgr. studium: srozumitelně a přesvědčivě sdělují odborníkům i širší veřejnosti vlastní odborné názory, |
| mgr. studium: samostatně a odpovědně se rozhodují v nových nebo měnících se souvislostech nebo v zásadně se vyvíjejícím prostředí s přihlédnutím k širším společenským důsledkům jejich rozhodování, |
| bc. studium: samostatně a odpovědně se na základě rámcového zadání rozhodují v souvislostech jen částečně známých, |
| bc. studium: samostatně získávají další odborné znalosti, dovednosti a způsobilosti na základě především praktické zkušenosti a jejího vyhodnocení, ale také samostatným studiem teoretických poznatků oboru, |
| bc. studium: srozumitelně a přesvědčivě sdělují odborníkům i laikům informace o povaze odborných problémů a vlastním názoru na jejich řešení, |
| Vyučovací metody |
|---|
| Odborné znalosti |
|---|
| Přednáška s demonstrací, |
| Přednáška s diskusí, |
| Cvičení (praktické činnosti), |
| Řešení problémů, |
| Samostudium, |
| Samostatná práce studentů, |
| Přednáška s aktivizací studentů, |
| Diskuse, |
| Odborné dovednosti |
|---|
| Cvičení (praktické činnosti), |
| Samostatná práce studentů, |
| Obecné způsobilosti |
|---|
| Přednáška s diskusí, |
| Diskuse, |
| Řešení problémů, |
| Samostudium, |
| Hodnotící metody |
|---|
| Odborné znalosti |
|---|
| Test, |
| Demonstrace dovedností (praktická činnost), |
| Ústní zkouška, |
| Odborné dovednosti |
|---|
| Ústní zkouška, |
| Test, |
| Demonstrace dovedností (praktická činnost), |
| Obecné způsobilosti |
|---|
| Ústní zkouška, |
| Test, |
| Demonstrace dovedností (praktická činnost), |
|
Doporučená literatura
|
-
Barber, David. Bayesian reasoning and machine learning. Cambridge : Cambridge University Press, 2012. ISBN 978-0-521-51814-7.
-
Bishop, C.M. Pattern Recognition and Machine Learning. Springer, 2006. ISBN 978-0387-31073-2.
-
Murphy, Kevin P. Machine learning : a probabilistic perspective. Cambridge : MIT Press, 2012. ISBN 978-0-262-01802-9.
-
Nilsson, J. Nils. Introduction to Machine Learning. Stanford University Press. Stanford University, 2005.
-
Smola, A. J., Vishwanathan, S. V. N. Introduction to Machine Learning. Cambridge: Cambridge University Press, 2008. ISBN 0-521-82583-0.
-
Trevor Hastie, Robert Tibshirani, Jerome Friedman. The Elements of Statistical Learning. Springer. 2009. ISBN 978-0-387-84857-0.
|