|
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 definice teorie kognitivních systémů, vztah mezi daty, informacemi a znalostmi, komponenty kognitivních systémů, obecná klasifikační úloha. 2. Úvod do problematiky strojového učení, učení s učitelem a bez učitele, možnosti aplikace a příklady, případové studie. 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.
|
|
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 |
|---|
| prakticky využívat nabyté znalosti z oblasti umělé inteligence a rozpoznávání |
| prakticky využívat nabyté znalosti z matematické analýzy, lineární algebry, pravděpodobnosti a statistiky |
| kreativně aplikovat matematické poznatky s cílem nazírat na úlohy strojového učení jako na problém prohledávání N-dimenzionálního stavového prostoru |
| popsat pojmy a struktury teoretické informatiky, orientují se v základech výrokové i predikátové logiky |
| Odborné dovednosti |
|---|
| studovat odborné texty v anglickém jazyce |
| programovat na pokročilé úrovni v některém z vyšších programovacích jazyků, např. C++, C#, Object Pascal, SCALA, Java; praktická znalost MATLABu či Octave výhodou |
| Obecné způsobilosti |
|---|
| mgr. studium: dle vyvíjejících se souvislostí a dostupných zdrojů vymezí zadání pro odborné činnosti, koordinují je a nesou konečnou odpovědnost za jejich výsledky, |
| Výsledky učení |
|---|
| Odborné znalosti |
|---|
| dosáhnout hlubšího pochopení základních technik strojového učení, reprezentace, odvozování a ukládání znalostí a racionálního chování, tj. rozhodování a řešení problémů |
| orientovat se v paradigmatech učících se systémů, zejména s přihlédnutím k jejich praktické aplikaci v oblasti umělé inteligence a inteligentního software |
| Odborné dovednosti |
|---|
| analyzovat existujiící algoritmy strojového učení a jejich teoretické specifikace v odborné literatuře |
| orientovat se v existujících implementacích učících se algoritmů, zejména s ohledem na jejich modifikaci, příp. optimalizaci |
| implementovat učící se algoritmy |
| zapojit se do řešení vědecko-výzkumných úkolů v oblasti umělé inteligence a strojového učení v rámci dalšího studia |
| Obecné způsobilosti |
|---|
| mgr. studium: samostatně a odpovědně se na základě rámcového zadání rozhodují v souvislostech jen částečně známých, |
| Vyučovací metody |
|---|
| Odborné znalosti |
|---|
| Samostatná práce studentů, |
| Samostudium, |
| Řešení problémů, |
| Přednáška s aktivizací studentů, |
| Přednáška s diskusí, |
| Přednáška s demonstrací, |
| Diskuse, |
| Odborné dovednosti |
|---|
| Přednáška s demonstrací, |
| Obecné způsobilosti |
|---|
| Řešení problémů, |
| Hodnotící metody |
|---|
| Odborné znalosti |
|---|
| Kombinovaná zkouška, |
| Test, |
| Odborné dovednosti |
|---|
| Seminární práce, |
| Obecné způsobilosti |
|---|
| Kombinovaná zkouška, |
|
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.
-
Heylighen, Francis. Cognitive Systems - A Cybernetic Perspective on the New Science of the Mind. Lecture Notes.. ECCO: Evolution, Complexity and Cognition. Vrije Universiteit Brusse, 2010.
-
Nilsson, J. Nils. Introduction to Machine Learning. Stanford University Press. Stanford University, 2005.
-
Trevor Hastie, Robert Tibshirani, Jerome Friedman. The Elements of Statistical Learning. Springer. 2009. ISBN 978-0-387-84857-0.
|