|
Vyučující
|
-
Zemčík František, prof. Ing. CSc.
|
|
Obsah předmětu
|
Úvod, strojové řešení úloh. Algoritmy prohledávání grafů, optimální a suboptimální strategie prohledávání, Astar. Klasifikační úloha. Klasifikace založená na Bayesově teorie rozhodování. Odhad parametrů pravděpodobnostního klasifikátoru metodou maximální věrohodnosti. EM algoritmus. Lineární klasifikátory. SVM (Support Vector Machines) klasifikátory. Neuronové sítě. Bayesovské sítě. Klasifikátory pro předměty a jevy popsané řetězci (vektorů) příznaků, kontextově závislé klasifikátory; klasifikace na principu porovnávání vzorů (dynamické programování); Klasifikace s využitím skrytých Markovových modelů. Učení s využitím rozhodovacích stromů. Učení bez učitele, hierarchické a nehierarchické metody shlukování. Gaussovské směsi, shlukování s maximální věrohodností. Výběr a uspořádání příznaků, Karhunen-Loeve transformace, Independent Component Analysis. Závěr, rezerva.
|
|
Studijní aktivity a metody výuky
|
Studium metodou řešení problémů, Samostatná práce studentů, Samostudium literatury, Přednáška
- Praktická výuka [vyjádření počtem hodin]
- 10 hodin za semestr
- Kontaktní výuka
- 39 hodin za semestr
- Projekt individuální [40]
- 40 hodin za semestr
- Příprava na zkoušku [10-60]
- 60 hodin za semestr
- Příprava prezentace (referátu) [3-8]
- 10 hodin za semestr
|
| Předpoklady |
|---|
| Odborné znalosti |
|---|
| disponovat základními znalostmi matematické analýzy, lineární algebry, teorie pravděpodobnosti a statistiky |
| Odborné dovednosti |
|---|
| aktivně využívat dříve získané znalosti z oblasti matematické analýzy, lineární algebry, matematické pravděpodobnosti a statistiky |
| pracovat v programovacím jazyku Matlab |
| Obecné způsobilosti |
|---|
| mgr. studium: samostatně a odpovědně se na základě rámcového zadání rozhodují v souvislostech jen částečně známých, |
| mgr. studium: srozumitelně a přesvědčivě sdělují odborníkům i laikům informace o povaze odborných problémů a vlastním názoru na jejich řešení, |
| mgr. studium: používají své odborné znalosti, odborné dovednosti a obecné způsobilosti alespoň v jednom cizím jazyce, |
| 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., |
| Výsledky učení |
|---|
| Odborné znalosti |
|---|
| řešit problémy náležející do oblasti automatického řešení úloh |
| navrhnout jednoduchý klasifikátor založený na Bayesově teorii rozhodování, odhadnout parametry klasifikátoru metodou maximální věrohodnosti (EM algoritmus) |
| navrhnout a natrénovat klasifikátor s lineární diskriminační funkcí, SVM klasifikátor |
| navrhnout kontextově závislý klasifikátor - navrhnout a natrénovat klasifikátor s částečnou anebou žádnou informací učitele - metody shlukové analýzy |
| provést výběr informativních příznaků u metody shlukové analýzy |
| Odborné dovednosti |
|---|
| student dovede analyticky přemýšlet; student dovede používat poznatky získané dřívějším studiem v oblasti matematiky, výpočetní techniky a základů kybernetiky |
| 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, |
| mgr. studium: používají své odborné znalosti, odborné dovednosti a obecné způsobilosti alespoň v jednom cizím jazyce, |
| mgr. studium: srozumitelně a přesvědčivě sdělují odborníkům i širší veřejnosti vlastní odborné názory, |
| Vyučovací metody |
|---|
| Odborné znalosti |
|---|
| Přednáška založená na výkladu, |
| Řešení problémů, |
| Samostudium, |
| Samostatná práce studentů, |
| Seminární výuka (diskusní metody), |
| Odborné dovednosti |
|---|
| Přednáška založená na výkladu, |
| Seminární výuka (diskusní metody), |
| Samostudium, |
| Seminární výuka (badatelské metody), |
| Obecné způsobilosti |
|---|
| Přednáška založená na výkladu, |
| Cvičení (praktické činnosti), |
| Analyticko-kritická práce s textem, |
| Samostudium, |
| Prezentace práce studentů, |
| Samostatná práce studentů, |
| Hodnotící metody |
|---|
| Odborné znalosti |
|---|
| Kombinovaná zkouška, |
| Seminární práce, |
| odborné znalosti jsou hodnoceny formou kombinované zkoušky a zpracováním referátů seminárních prací |
| Odborné dovednosti |
|---|
| Kombinovaná zkouška, |
| Seminární práce, |
| použitelnost odborných dovedností je posuzována během zkoušky a během obhajoby seminárních prací |
| Obecné způsobilosti |
|---|
| Kombinovaná zkouška, |
| Seminární práce, |
| obecné způsobilosti jsou s důrazem na praktičnost sledovány a postupně hodnoceny v průběhu obhajoby seminárních úloh a prováděné zkoušky |
|
Doporučená literatura
|
-
Bishop, C.M. Pattern Recognition and Machine Learning. Springer, 2006. ISBN 978-0387-31073-2.
-
Duda, R.O., Hart, P.E., Stork, D.G. Pattern Classification. Wiley, 2000. ISBN 978-0-471-05669-0.
-
Kotek, Zdeněk, Mařík, Vladimír. Metody rozpoznávání a jejich aplikace. Academia, Praha, 1993. ISBN 80-200-0297-9.
-
Mařík V. a kol. Umělá inteligence 1. Academia, Praha, 1993. ISBN 80-200-0496-3.
-
Theodoridis, S., Kouroumbas, K. Pattern recognition. Elsevier, 2008. ISBN 978-1-597-49272-0.
|