|
Vyučující
|
-
Matějů Lukáš, Ing. Ph.D.
-
Červa Petr, doc. Ing. Ph.D.
|
|
Obsah předmětu
|
Přednášky 1. Úvod do problematiky strojového učení, definice základních úloh 2. Úloha regrese, analytické řešení, typy regrese, regularizace. 3. Metoda největšího spádu, numerické řešení úlohy regrese. 4. Základy klasifikace, vzdálenostní metody klasifikace. 5. Binární lineární klasifikace a logistická regrese. 6. Metoda maximálně věrohodného odhadu a učení modelu logistické regrese. 7. Lineární klasifikace do více tříd, softmax. 8. Lineární klasifikátor typu SVM (support vector machine). 9. Nelineární klasifikace a (hluboké) neuronová sítě. 10. Učení neuronových sítí, algoritmus zpětné propagace. 11. Generativní klasifikátory, bayesovský klasifikátor. 12. Metody pro transformaci příznaků (LDA, PCA). 13. Rozhodovací stromy a náhodné lesy. 14. Učení bez učitele, shlukování (algoritmy K-means, LBG, SOM).
|
|
Studijní aktivity a metody výuky
|
Monologický výklad (přednáška, prezentace, vysvětlování)
- Domácí příprava na výuku
- 60 hodin za semestr
- Příprava na zkoušku
- 50 hodin za semestr
- Účast na výuce
- 40 hodin za semestr
|
|
Výstupy z učení
|
Předmět je úvodem do problematiky strojového učení (machine learning) s důrazem na úlohu klasifikace objektů do tříd. Studenti se seznámí s principy metod, například hlubokými neuronovými sítěmi, které se v současnosti využívají prakticky ve všech moderních systémech pro zpracování či rozpoznávaní řeči, obrazu nebo textu.
Předmět poskytuje základní teoretický základ pro další předměty v navazujícím magisterském studiu, které jsou zaměřeny na zpracování/rozpoznávání obrazu, řeči nebo textu. Studenti získají znalost základních metod pro regresi, extrakci a transformaci příznaků, klasifikaci objektů do tříd a shlukovou analýzu.
|
|
Předpoklady
|
Znalost matematiky na úrovni bakalářského studia, programování v Matlabu.
|
|
Hodnoticí metody a kritéria
|
Kombinovaná zkouška, Písemná zkouška
Podmínkou zápočtu je aktivní účast na cvičeních.
|
|
Doporučená literatura
|
-
CHRISTOPHER BISHOP. Pattern Recognition and Machine Learning. Springer, 2006.
-
Kotek Z., Mařík V., Hlaváč V., Psutka J., Zdráhal Z. Metody rozpoznávání a jejich aplikace. Academia, Praha, 1993..
-
Mařík V., Štěpánková O., Lažanský J. a kol. Umělá inteligence (1), Academia, Praha, 1993..
-
RICHARD DUDA, PETER HART AND DAVID STORK. Pattern Classification. 2nd ed. John Wiley & Sons, 2001.
-
Zdráhal Z., Mařík V. Základní metody prohledávání stavového prostoru. In: Metody umělé inteligence a expertní systémy II, ČSVTS FEL ČVUT, Praha, 1985, s.1-35..
|