Strojové učení
| Typ studia | navazující magisterské |
|---|---|
| Jazyk výuky | angličtina |
| Kód | 460-4139/02 |
| Zkratka | SU |
| Název předmětu česky | Strojové učení |
| Název předmětu anglicky | Machine Learning |
| Kreditů | 4 |
| Garantující katedra | Katedra informatiky |
| Garant předmětu | prof. Ing. Jan Platoš, Ph.D. |
Subject syllabus
Přednášky (témata):
1. Hledání pravidel v datech, Hledání vzorů v datech.
2. Explorativní analýza dat.
3. Shlukování pomocí reprezentantů, Hierarchické shlukování.
4. Shlukování založené na hustotě dat, validace shluků.
5. Speciální shlukovací metody, detekce odlehlých hodnot.
6. Lineární klasifikátory (Lineární diskriminační analýza, Naive Bayes, Logistická regrese).
7. Rozhodovací stromy, pravidlová klasifikace.
8. Support Vector Machine, Kernelové metody.
9. Neuronové sítě.
10. Regresní metody a Pokročilé metody v klasifikaci dat.
11. Validace klasifikačních algoritmů.
12. Analýza časových řad.
Cvičení na počítačové učebně (témata):
1. Implementace metody APRIORI pro hledání pravidel v datech.
2. Explorativní analýza dat nad reálným datasetem pomocí vhodných nástrojů.
3. Implementace hierarchického shlukování – Aglomerativní shlukování.
4. Implementace algoritmu DBSCAN.
5. Reálný příklad na shlukování - samostatná práce na cvičeních.
6. Redukce dimenze.
7. Implementace rozhodovacího stromu.
8. Vyzkoušení metody Support Vector Machine nad reálnými daty.
9. Neuronové sítě.
10. Regresní metody.
11. Ensemble metody a jejich využití.
12. Klasifikace - reálný práklad.
13. Analýza časových řad.
1. Hledání pravidel v datech, Hledání vzorů v datech.
2. Explorativní analýza dat.
3. Shlukování pomocí reprezentantů, Hierarchické shlukování.
4. Shlukování založené na hustotě dat, validace shluků.
5. Speciální shlukovací metody, detekce odlehlých hodnot.
6. Lineární klasifikátory (Lineární diskriminační analýza, Naive Bayes, Logistická regrese).
7. Rozhodovací stromy, pravidlová klasifikace.
8. Support Vector Machine, Kernelové metody.
9. Neuronové sítě.
10. Regresní metody a Pokročilé metody v klasifikaci dat.
11. Validace klasifikačních algoritmů.
12. Analýza časových řad.
Cvičení na počítačové učebně (témata):
1. Implementace metody APRIORI pro hledání pravidel v datech.
2. Explorativní analýza dat nad reálným datasetem pomocí vhodných nástrojů.
3. Implementace hierarchického shlukování – Aglomerativní shlukování.
4. Implementace algoritmu DBSCAN.
5. Reálný příklad na shlukování - samostatná práce na cvičeních.
6. Redukce dimenze.
7. Implementace rozhodovacího stromu.
8. Vyzkoušení metody Support Vector Machine nad reálnými daty.
9. Neuronové sítě.
10. Regresní metody.
11. Ensemble metody a jejich využití.
12. Klasifikace - reálný práklad.
13. Analýza časových řad.
E-learning
Všechny materiály jsou zveřejněny na portále e-výuka (https://www.vsb.cz/e-vyuka/cs).
Literature
Doporučená literatura
[1] LESKOVEC, Jure, Anand RAJARAMAN a Jeffrey D. ULLMAN. Mining of massive datasets, Standford University. Second edition. Cambridge: Cambridge University Press, 2014. ISBN 9781107077232.
[2] 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.
[3] ZAKI, Mohammed J. a Wagner MEIRA JR. Data Mining and Analysis: Fundamental Concepts and Algorithms. 2nd edition. Cambridge, GB: Cambridge University Press, 2020. ISBN 978-0521766333.
[2] 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.
[3] ZAKI, Mohammed J. a Wagner MEIRA JR. Data Mining and Analysis: Fundamental Concepts and Algorithms. 2nd edition. Cambridge, GB: Cambridge University Press, 2020. ISBN 978-0521766333.