1. Úvod, témata a vymezení UI, pohled do historie, úspěšné aplikace v geoinformatice.
2. Explorační analýza datového souboru, opakování statistického úvodu.
3. Základy strojového učení: klasifikace a regrese, shluková analýza, učení s učitelem a bez učitele, ilustrační příklady.
4. Rozhodovací stromy: učení rozhodovacích stromů.
5. Logika a strojové učení: specializace, generalizace, logický důsledek.
6. Ověřování výsledků učení: učící a testovací množina, přeučení, křížová validace, matice zmatenosti, učící křivka.
7. Lineární regrese (klasifikace), metoda nejmenších čtverců.
8. Kernelové metody: metody strojového učení, kernelová transformace.
9. Neuronové sítě: vícevrstvá síť, zpětná propagace.
10. Shluková analýza: algoritmus nejbližších sousedů, hierarchické shlukování.
11. Praktické strojové učení. Předzpracování dat: výběr atributů, konstrukce nových atributů, metody vzorkování.
12. Praktické strojové učení. Verifikace a validace výsledků.
13. Pravděpodobnostní model: Bayesovo pravidlo, úvod do Bayesovských sítí.
2. Explorační analýza datového souboru, opakování statistického úvodu.
3. Základy strojového učení: klasifikace a regrese, shluková analýza, učení s učitelem a bez učitele, ilustrační příklady.
4. Rozhodovací stromy: učení rozhodovacích stromů.
5. Logika a strojové učení: specializace, generalizace, logický důsledek.
6. Ověřování výsledků učení: učící a testovací množina, přeučení, křížová validace, matice zmatenosti, učící křivka.
7. Lineární regrese (klasifikace), metoda nejmenších čtverců.
8. Kernelové metody: metody strojového učení, kernelová transformace.
9. Neuronové sítě: vícevrstvá síť, zpětná propagace.
10. Shluková analýza: algoritmus nejbližších sousedů, hierarchické shlukování.
11. Praktické strojové učení. Předzpracování dat: výběr atributů, konstrukce nových atributů, metody vzorkování.
12. Praktické strojové učení. Verifikace a validace výsledků.
13. Pravděpodobnostní model: Bayesovo pravidlo, úvod do Bayesovských sítí.