|
Vyučující
|
-
Ircing Pavel, doc. Ing. Ph.D.
|
|
Obsah předmětu
|
Obsah předmětu: 1. Úvod - definice strojového učení, stručná historie, motivační příklady 2. Vztah strojového učení a ostatních paradigmat umělé inteligence (především paradigmatu logicko-symbolického) 3. Typy strojového učení - učení s učitelem, učení bez učitele, posilované učení. Rozdíly mezi nimi, základní principy, příklady. 4. Učení s učitelem - podrobný rozbor principu, trénovací a aplikační fáze, úlohy vhodné pro učení s učitelem 5. Učení s učitelem jako klasifikační úloha - princip, příklady. 6. Nastavení parametrů klasifikátoru na jednoduché úloze s jedním vstupem 7. Knihovny pro strojové učení - přehled, základy použití vybrané knihovny 8. Implementace jednoduchého klasifikátoru ve vybraném programovacím jazyce (s využitím knihoven) 9. Neuronové sítě - úvod, biologická inspirace 10. Neuronové sítě - aktivační funkce, perceptron, vysvětlení základního principu činnosti sítě s jedním neuronem, vztah k jiným typů modelů pro strojové učení 11. Neuronové sítě - zobecnění pro složitější úlohy (jen přehledově), úspěchy neuronových sítí 12. Limity využití strojového učení pro praktické úlohy - odpovědnost za rozhodnutí systémů strojového učení, algoritmické zkreslení.
|
|
Studijní aktivity a metody výuky
|
- Kontaktní výuka
- 52 hodin za semestr
- Vypracování seminární práce v magisterském studijním programu [5-100]
- 40 hodin za semestr
- Příprava na zkoušku [10-60]
- 40 hodin za semestr
|
| Předpoklady |
|---|
| Odborné znalosti |
|---|
| orientovat se v základních matematických pojmech na úrovni střední školy rozumět principům psaní jednoduchého počítačového programu efektivně používat moderní informační technologie |
| Odborné dovednosti |
|---|
| načíst a uložit data v textovém formátu v jazyce Python porozumět jednoduchému kódu v jazyce Python a v případě potřeby jej vhodně modifikovat nastudovat a zpracovat pro prezentaci populárně-naučný článek z oboru strojového učení v češtině i angličtině |
| Obecné způsobilosti |
|---|
| bc. studium: efektivně využívá moderní informační technologie, |
| bc. studium: rozpozná problém, objasní jeho podstatu, rozčlení ho na části, |
| bc. studium: své učení a pracovní činnost si sám plánuje a organizuje, |
| Výsledky učení |
|---|
| Odborné znalosti |
|---|
| rozumět principu strojového učení vysvětlit vztah mezi strojovým učením a ostatními paradigmaty umělé inteligence charakterizovat základní typy strojového učení |
| Odborné dovednosti |
|---|
| používat na elementární úrovni knihovny strojového učení v jazyce Python analyzovat vhodnost metod strojového učení pro konkrétní úlohy popsat rizika využití strojového učení v praxi |
| Obecné způsobilosti |
|---|
| mgr. studium: dle vyvíjejících se souvislostí a dostupných zdrojů vymezí zadání pro odborné činnosti, koordinují je a nesou konečnou odpovědnost za jejich výsledky, |
| Vyučovací metody |
|---|
| Odborné znalosti |
|---|
| Přednáška založená na výkladu, |
| Přednáška s demonstrací, |
| Přednáška s aktivizací studentů, |
| Odborné dovednosti |
|---|
| Přednáška s aktivizací studentů, |
| Cvičení (praktické činnosti), |
| Řešení problémů, |
| Obecné způsobilosti |
|---|
| Přednáška s demonstrací, |
| Řešení problémů, |
| Hodnotící metody |
|---|
| Odborné znalosti |
|---|
| Kombinovaná zkouška, |
| Seminární práce, |
| Odborné dovednosti |
|---|
| Kombinovaná zkouška, |
| Seminární práce, |
| Obecné způsobilosti |
|---|
| Kombinovaná zkouška, |
| Seminární práce, |
|
Doporučená literatura
|
-
Aurélien Géron. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems.
-
Oliver Theobald. Machine Learning For Absolute Beginners: A Plain English Introduction (Machine Learning From Scratch). 2018.
|