|
Vyučující
|
-
Pech Nicodim Gabriel, doc. Ing. Mgr. Ph.D.
|
|
Obsah předmětu
|
Úvod do strojového rozpoznávání předmětů a jevů, základy učících se systémů. Osnova předmětu: Bayesova teorie rozhodování - Bayesova věta, MAP, kritérium minimální ztráty, pravděpodobnostní diskriminační funkce, klasifikátor s lineární diskriminační funkcí, klasifikátor podle minimální vzdálenosti, klasifikátor podle nejbližšího souseda, k-nejbližších sousedů, regrese - lineární regrese jedné proměnné, lineární regrese více proměnných, logistická regrese, nehierarchické shlukovací metody - k-means algoritmus, iterativní optimalizace, hierarchické shlukovací metody - aglomerativní metody, divizní metody, binární dělení, neuronové sítě - úvod, matematické modely perceptronu, MLP, algoritmus zpětné propagace, SGD, BGD, optimalizace trénování, regularizace, přeučení, nedoučení, hluboké neuronové sítě - CNN, RNN
|
|
Studijní aktivity a metody výuky
|
Přednáška s diskusí, Individuální konzultace, Cvičení
- Kontaktní výuka
- 26 hodin za semestr
- Praktická výuka [vyjádření počtem hodin]
- 39 hodin za semestr
- Projekt individuální [40]
- 40 hodin za semestr
- Příprava prezentace (referátu) [3-8]
- 10 hodin za semestr
- Příprava na zkoušku [10-60]
- 45 hodin za semestr
|
| Předpoklady |
|---|
| Odborné znalosti |
|---|
| disponovat základy matematické analýzy a lineární algebry |
| disponovat základy teorie pravděpodobnosti a statistiky |
| Odborné dovednosti |
|---|
| aplikovat základy matematické analýzy a lineární algebry při řešení konkrétních úloh |
| aplikovat základy teorie pravděpodobnosti a statistiky při řešení konkrétních úloh |
| algoritmizovat teoretické postupy ve vhodném programovacím jazyce |
| Obecné způsobilosti |
|---|
| bc. studium: své učení a pracovní činnost si sám plánuje a organizuje, |
| Výsledky učení |
|---|
| Odborné znalosti |
|---|
| definovat základní úlohy strojového učení (klasifikace, regrese) |
| pochopení základních technik strojového učení |
| charakterizovat rozdíly mezi jednotlivými typy klasifikátorů (Bayesův, lineární, podle minimální vzdálenosti,podle k-nejbližšího souseda) |
| pochopit základy neuronových sítí |
| Odborné dovednosti |
|---|
| analyzovat základní typy klasifikačních úloh a zvolit vhodný typ klasifikátoru |
| realizovat klasifikátory s obecnou diskriminační funkcí (Bayesův klasifikátor) |
| realizovat klasifikátory s lineární diskriminační funkcí |
| aplikovat metody shlukové analýzy |
| navrhnout jednoduchou neuronovou síť |
| Obecné způsobilosti |
|---|
| bc. studium: samostatně a odpovědně se na základě rámcového zadání rozhodují v souvislostech jen částečně známých, |
| Vyučovací metody |
|---|
| Odborné znalosti |
|---|
| Přednáška s diskusí, |
| Individuální konzultace, |
| Odborné dovednosti |
|---|
| Přednáška s demonstrací, |
| Obecné způsobilosti |
|---|
| Samostatná práce studentů, |
| Hodnotící metody |
|---|
| Odborné znalosti |
|---|
| Kombinovaná zkouška, |
| Odborné dovednosti |
|---|
| Seminární práce, |
| Kombinovaná zkouška, |
| Obecné způsobilosti |
|---|
| Seminární práce, |
| Kombinovaná zkouška, |
|
Doporučená literatura
|
-
Duda R.O., Hart P., Stork D.G. Pattern Classification Second Edition. A Wiley-Interscience Publication. 2000.
-
Kotek, Zdeněk, Mařík, Vladimír. Metody rozpoznávání a jejich aplikace. Academia, Praha, 1993. ISBN 80-200-0297-9.
-
Murphy K.P. Probabilistic Machine Learning. The MIT Press. 2022.
-
Theodoridis S., Koutroumbas K. Pattern Recognition Third Edition. Academic Press. 2006.
|