Základy strojového učení
| Typ studia | bakalářské |
|---|---|
| Jazyk výuky | angličtina |
| Kód | 460-2064/02 |
| Zkratka | ZSU |
| Název předmětu česky | Základy strojového učení |
| Název předmětu anglicky | Fundamentals of Machine Learning |
| Kreditů | 4 |
| Garantující katedra | Katedra informatiky |
| Garant předmětu | prof. Ing. Jan Platoš, Ph.D. |
Subject syllabus
Přednášky (bloky studia):
1. Data a jejich specifika
2. Statistické vlastnosti dat
3. Reprezentace znalostí
4. Základní algoritmy
5. Hodnocení a důvěryhodnost výsledků
6. Pokročilé metody a algoritmy
7. Rozšíření lineárních modelů
8. Transformace dat
9. Optimalizační metody
10. Vizualizace dat
Cvičení na počítačové učebně:
1. Demonstraci látky z přednášek - práce s daty a jejich vlastnosti.
2. Demonstraci látky z přednášek - statistické vlastnosti dat.
3. Demonstraci látky z přednášek - reprezentace znalostí v počítači.
4. Demonstraci látky z přednášek - lineární metody.
5. Demonstraci látky z přednášek - kvalita modelů a její měření.
6. Demonstraci látky z přednášek - metody založené na stromech.
7. Demonstraci látky z přednášek - nelineární modely.
8. Demonstraci látky z přednášek - transformace dat.
9. Demonstraci látky z přednášek - úvod do optimalizačních metod.
10. Demonstraci látky z přednášek - vizualizace dat.
1. Data a jejich specifika
2. Statistické vlastnosti dat
3. Reprezentace znalostí
4. Základní algoritmy
5. Hodnocení a důvěryhodnost výsledků
6. Pokročilé metody a algoritmy
7. Rozšíření lineárních modelů
8. Transformace dat
9. Optimalizační metody
10. Vizualizace dat
Cvičení na počítačové učebně:
1. Demonstraci látky z přednášek - práce s daty a jejich vlastnosti.
2. Demonstraci látky z přednášek - statistické vlastnosti dat.
3. Demonstraci látky z přednášek - reprezentace znalostí v počítači.
4. Demonstraci látky z přednášek - lineární metody.
5. Demonstraci látky z přednášek - kvalita modelů a její měření.
6. Demonstraci látky z přednášek - metody založené na stromech.
7. Demonstraci látky z přednášek - nelineární modely.
8. Demonstraci látky z přednášek - transformace dat.
9. Demonstraci látky z přednášek - úvod do optimalizačních metod.
10. Demonstraci látky z přednášek - vizualizace dat.
E-learning
Všechny materiály jsou zveřejněny na portále e-výuka (https://www.vsb.cz/e-vyuka/cs).
Literature
Prezentace k přednáškám
HASTIE, Trevor., Robert. TIBSHIRANI a J. H. FRIEDMAN. The elements of statistical learning: data mining, inference, and prediction. 2nd ed. New York, NY: Springer, c2009. ISBN 978-0-387-84858-7.
WITTEN, Ian H., Eibe FRANK, Mark A. HALL a Christopher J. PAL. Data mining: Practical machine learning tools and techniques. Fourth Edition. Amsterdam: Elsevier, 2017. ISBN 978-0-12-804291-5.
HASTIE, Trevor., Robert. TIBSHIRANI a J. H. FRIEDMAN. The elements of statistical learning: data mining, inference, and prediction. 2nd ed. New York, NY: Springer, c2009. ISBN 978-0-387-84858-7.
WITTEN, Ian H., Eibe FRANK, Mark A. HALL a Christopher J. PAL. Data mining: Practical machine learning tools and techniques. Fourth Edition. Amsterdam: Elsevier, 2017. ISBN 978-0-12-804291-5.
Advised literature
LESKOVEC, Jurij, Anand RAJARAMAN a Jeffrey D. ULLMAN. Mining of massive datasets / Jure Leskovec, Standford University, Anand Rajaraman, Milliways Labs, Jeffrey David Ullman, Standford University. Second edition. Cambridge: Cambridge University Press, 2014. ISBN 9781107077232.
AGGARWAL, Charu C. Data mining: the textbook. New York, NY: Springer Science+Business Media, 2015. ISBN 978-3-319-14141-1 .
AGGARWAL, Charu C. Data mining: the textbook. New York, NY: Springer Science+Business Media, 2015. ISBN 978-3-319-14141-1 .