|
|
Hlavní nabídka Prohlížení IS/STAG
Nalezené předměty, počet: 1
Stránkování výsledků vyhledávání
Nalezeno 1 záznamů
Export do Xls
Informace o předmětu
KIV / SU
:
Popis předmětu
Pracoviště / Zkratka
|
KIV
/
SU
|
Akademický rok
|
2023/2024
|
Akademický rok
|
2023/2024
|
Název
|
Strojové učení
|
Způsob zakončení
|
Zkouška
|
Způsob zakončení
|
Zkouška
|
Akreditováno / Kredity
|
Ano,
6
Kred.
|
Forma zakončení
|
Kombinovaná
|
Forma zakončení
|
Kombinovaná
|
Rozsah hodin
|
Přednáška
3
[HOD/TYD]
Cvičení
2
[HOD/TYD]
|
Zápočet před zkouškou
|
Ano
|
Zápočet před zkouškou
|
Ano
|
Automatické uznávání zápočtu před zkouškou
|
Ne
|
Počítán do průměru
|
ANO
|
Vyučovací jazyk
|
Čeština
|
Obs/max
|
|
|
|
Automatické uznávání zápočtu před zkouškou
|
Ne
|
Letní semestr
|
0 / -
|
0 / -
|
0 / -
|
Počítán do průměru
|
ANO
|
Zimní semestr
|
11 / -
|
7 / 50
|
0 / 5
|
Opakovaný zápis
|
NE
|
Opakovaný zápis
|
NE
|
Rozvrh
|
Ano
|
Vyučovaný semestr
|
Zimní semestr
|
Vyučovaný semestr
|
Zimní semestr
|
Minimum (B + C) studentů
|
10
|
Volně zapisovatelný předmět |
Ano
|
Volně zapisovatelný předmět
|
Ano
|
Vyučovací jazyk
|
Čeština
|
Počet dnů praxe
|
0
|
Počet hodin kontaktní výuky |
|
Hodnotící stupnice |
1|2|3|4 |
Periodicita |
každý rok
|
Hodnotící stupnice pro zp. před zk. |
S|N |
Periodicita upřesnění |
|
Základní teoretický předmět |
Ne
|
Profilující předmět |
Ano
|
Základní teoretický předmět |
Ne
|
Hodnotící stupnice |
1|2|3|4 |
Hodnotící stupnice pro zp. před zk. |
S|N |
Nahrazovaný předmět
|
KIV/TKS
|
Vyloučené předměty
|
KIV/SU-E a KKY/USK
|
Podmiňující předměty
|
Nejsou definovány
|
Předměty informativně doporučené
|
KMA/LAA a KMA/MA1 a KMA/PSA a KIV/TI
|
Předměty,které předmět podmiňuje
|
KIV/ADSZ, KIV/NLP, KIV/PMZD, KIV/SZD
|
Graf četnosti udělených hodnocení studentům napříč roky:
Obrázek PNG
,
XLS
|
Cíle předmětu (anotace):
|
Vybavit studenty potřebnými teoretickými znalostmi a praktickými dovednostmi tak, aby rozuměli fundamentálním principům technik strojového učení jako klíčové oblasti umělé inteligence, aby chápali do hloubky jak v teoretické, tak v praktické rovině základní postupy, z nichž se odvozují současné moderní metody strojového učení a reprezentace a transformace znalostí. Důraz je kladen zejména na propojení souvisejících poznatků z matematiky, teoretické informatiky, pravděpodobnosti a statistiky a dalších teoretických prerekvizitních disciplín s praktickou inženýrskou realizací technik strojového učení a postupy implementace a nasazování umělé inteligence v průmyslové praxi.
|
Požadavky na studenta
|
Student má nárok na zápočet tehdy, jestliže získá na cvičeních dostatečný počet bodů za řešení úloh menšího rozsahu v MATLABu/Octave/Pythonu. Dále student musí úspěšně absolvovat písemný zápočtový test - několik příkladů (obvykle 4 - 5) a otázek (zhruba 10) týkajících se vykládané problematiky.
Z důvodu průběžné aktualizace předmětu je pro získání zápočtu při opakovaném zapsání předmětu (viz SZŘ čl. 24 odst. 3) nutné souhlasné vyjádření garanta předmětu.
Zkouška je ústní, s cílem ověřit hloubku porozumění problémům, jimiž se předmět zabývá. Student si vylosuje 1 otázku ze seznamu zkouškových otázek, následně se během 30 minut připraví (možno písemně) a pak otázku obšírně zodpoví.
Upozornění:
Termíny a forma ověřování splnění požadavků mohou být upraveny s ohledem na opatření vyhlášená v souvislosti s vývojem epidemiologické situace v ČR.
|
Obsah
|
Níže uvedená témata představují okruhy probírané látky a neodpovídají zcela přesně jednotlivým rozvrhovaným přednáškám:
1. Úvodní informace, organizace předmětu, doporučená literatura a zdroje studijních materiálů; základní pojmy a definice teorie kognitivních systémů, vztah mezi daty, informacemi a znalostmi, komponenty kognitivních systémů, obecná klasifikační úloha.
2. Úvod do problematiky strojového učení, učení s učitelem a bez učitele, možnosti aplikace a příklady, případové studie.
3. Bayesovské učení, Bayesova věta, optimální a naivní bayesovský klasifikátor, strategie výběru hypotéz, aplikace NBK.
4. Lineární regrese, odvození cenové/pokutové funkce a techniky její minimalizace, odvození gradientní metody, algoritmus gradientního sestupu.
5. Lineární regrese více proměnných, gradientní sestup ve vícerozměrném prostoru, problémy a omezení gradientního sestupu; polynomiální regrese; normální rovnice.
6. Logistická regrese, model hypotézy logistické regrese, interpretace výsledků, rozhodovací hranice, klasifikace do více tříd - algoritmus One-vs-All.
7. Regularizace, přeučení a jeho projevy, techniky potlačení přeučení, naivní odvození regularizace, algoritmus regularizace, regularizovaná lineární a logistická regrese.
8. Support Vector Machines, cíl optimalizace jako alternativní pohled na logistickou regresi, matematický model SVM, hypotéza s bezpečnostním faktorem, jádra.
9. Neuronové sítě, historie, biologický předobraz umělých neuronových sítí, matematický model neuronu, vrstevnaté sítě typu MLP, klasifikace neuronovou sítí, cenová funkce neuronové sítě a její optimalizace, učení, algoritmus Backpropagation.
10. Shlukování, obecné poznatky k učení bez učitele, metoda K-means, optimalizační kritérium K-means, výběr centroidů, volba počtu shluků, algoritmus K-means.
11. Snižování dimenzionality, Principal Component Analysis, princip činnosti a algoritmus PCA, vlastnosti PCA, matematický aparát PCA, aplikace a případové studie.
12. Slepá separace zdrojů, motivace a definice problému separace zdrojů, přehled metod slepé separace, Independent Component Analysis, princip činnosti a algoritmus ICA, vlastnosti ICA, matematický aparát ICA, aplikace a případové studie.
|
Aktivity
|
|
Studijní opory
|
|
Garanti a vyučující
|
|
Literatura
|
-
Základní:
Bishop, C.M. Pattern Recognition and Machine Learning. Springer, 2006. ISBN 978-0387-31073-2.
-
Základní:
Trevor Hastie, Robert Tibshirani, Jerome Friedman. The Elements of Statistical Learning. Springer. 2009. ISBN 978-0-387-84857-0.
-
Doporučená:
Barber, David. Bayesian reasoning and machine learning. Cambridge : Cambridge University Press, 2012. ISBN 978-0-521-51814-7.
-
Doporučená:
Heylighen, Francis. Cognitive Systems - A Cybernetic Perspective on the New Science of the Mind. Lecture Notes.. ECCO: Evolution, Complexity and Cognition. Vrije Universiteit Brusse, 2010.
-
Doporučená:
Nilsson, J. Nils. Introduction to Machine Learning. Stanford University Press. Stanford University, 2005.
-
On-line katalogy knihoven
|
Časová náročnost
|
Všechny formy studia
|
Aktivity
|
Časová náročnost aktivity [h]
|
Vypracování seminární práce v magisterském studijním programu [5-100]
|
40
|
Příprava na zkoušku [10-60]
|
30
|
Příprava na laboratorní měření, zpracování výsledků [1-8]
|
15
|
Praktická výuka [vyjádření počtem hodin]
|
26
|
Kontaktní výuka
|
39
|
Příprava prezentace (referátu) [3-8]
|
6
|
Celkem
|
156
|
|
Předpoklady
|
Odborné znalosti - pro úspěšné zvládnutí předmětu se předpokládá, že je student před zahájením výuky schopen: |
kreativně aplikovat matematické poznatky s cílem nazírat na úlohy strojového učení jako na problém prohledávání N-dimenzionálního stavového prostoru |
prakticky využívat nabyté znalosti z matematické analýzy, lineární algebry, pravděpodobnosti a statistiky |
prakticky využívat nabyté znalosti z oblasti umělé inteligence a rozpoznávání |
popsat pojmy a struktury teoretické informatiky, orientují se v základech výrokové i predikátové logiky |
Odborné dovednosti - pro úspěšné zvládnutí předmětu se předpokládá, že student před zahájením výuky dokáže: |
programovat na pokročilé úrovni v některém z vyšších programovacích jazyků, např. C++, C#, Object Pascal, SCALA, Java; praktická znalost MATLABu či Octave výhodou |
studovat odborné texty v anglickém jazyce |
Obecné způsobilosti - před zahájením studia předmětu je student schopen: |
mgr. studium: dle vyvíjejících se souvislostí a dostupných zdrojů vymezí zadání pro odborné činnosti, koordinují je a nesou konečnou odpovědnost za jejich výsledky, |
|
Výsledky učení
|
Odborné znalosti - po absolvování předmětu prokazuje student znalosti: |
dosáhnout hlubšího pochopení základních technik strojového učení, reprezentace, odvozování a ukládání znalostí a racionálního chování, tj. rozhodování a řešení problémů |
orientovat se v paradigmatech učících se systémů, zejména s přihlédnutím k jejich praktické aplikaci v oblasti umělé inteligence a inteligentního software |
Odborné dovednosti - po absolvování předmětu prokazuje student dovednosti: |
analyzovat existujiící algoritmy strojového učení a jejich teoretické specifikace v odborné literatuře |
implementovat učící se algoritmy |
orientovat se v existujících implementacích učících se algoritmů, zejména s ohledem na jejich modifikaci, příp. optimalizaci |
zapojit se do řešení vědecko-výzkumných úkolů v oblasti umělé inteligence a strojového učení v rámci dalšího studia |
Obecné způsobilosti - po absolvování předmětu je student schopen: |
mgr. studium: samostatně a odpovědně se na základě rámcového zadání rozhodují v souvislostech jen částečně známých, |
|
Hodnoticí metody
|
Odborné znalosti - odborné znalosti dosažené studiem předmětu jsou ověřovány hodnoticími metodami: |
Kombinovaná zkouška, |
Test, |
Odborné dovednosti - odborné dovednosti dosažené studiem předmětu jsou ověřovány hodnoticími metodami: |
Seminární práce, |
Obecné způsobilosti - obecné způsobilosti dosažené studiem předmětu jsou ověřovány hodnoticími metodami: |
Kombinovaná zkouška, |
|
Vyučovací metody
|
Odborné znalosti - pro dosažení odborných znalostí jsou užívány vyučovací metody: |
Diskuse, |
Přednáška s aktivizací studentů, |
Přednáška s demonstrací, |
Přednáška s diskusí, |
Řešení problémů, |
Samostatná práce studentů, |
Samostudium, |
Odborné dovednosti - pro dosažení odborných dovedností jsou užívány vyučovací metody: |
Přednáška s demonstrací, |
Obecné způsobilosti - pro dosažení obecných způsobilostí jsou užívány vyučovací metody: |
Řešení problémů, |
|
|
|
|