Detail předmětu

Strojové učení

FSI-VSC Ak. rok: 2027/2028 Letní semestr

Předmět poskytuje úvod do základních principů a metod strojového učení, včetně neuronových sítí. Zaměřuje se na metody řešení regresních, klasifikačních a shlukovacích úloh, redukci dimenzionality dat a postupy trénování a hodnocení modelů strojového učení. Součástí předmětu je praktické využití vybraných metod při řešení úloh v programovacím jazyce Python.

Jazyk výuky

čeština

Počet kreditů

5

Vstupní znalosti

Předpokládají se základní znalosti statistiky, optimalizace a programování.

Způsob zakončení předmětu a pravidla hodnocení studentů

Předmět je ukončen zápočtem a zkouškou.

Podmínkou udělení zápočtu je účast na povinných přednáškách a laboratorních cvičeních a úspěšné splnění všech zadaných úkolů. Zameškané přednášky lze nahradit samostatným studiem příslušné látky. Zameškaná laboratorní cvičení lze nahradit v náhradním termínu nebo splněním náhradního úkolu podle pokynů vyučujícího.

Zkouška je ústní a ověřuje znalosti a porozumění tématům uvedeným v osnově přednášek. Výsledná klasifikace je stanovena na základě výkonu studenta při ústní zkoušce v souladu s klasifikační stupnicí studijního a zkušebního řádu VUT.

Učební cíle

Cílem předmětu je poskytnout studentům znalosti základních principů a metod strojového učení, včetně neuronových sítí. Po absolvování předmětu budou studenti schopni vysvětlit principy vybraných metod, posoudit jejich předpoklady a omezení, zvolit vhodnou metodu pro řešení regresních, klasifikačních a shlukovacích úloh a aplikovat ji s využitím programovacího jazyka Python. Dále budou schopni vyhodnotit kvalitu natrénovaných modelů a využít základní metody redukce dimenzionality dat.

Použití předmětu ve studijních plánech

Program N-AIŘ-P: Aplikovaná informatika a řízení, magisterský navazující, povinný

Typ (způsob) výuky

 

Přednáška

26 hod., povinná

Osnova


  1. Úvod do strojového učení – základní paradigmata a typy úloh, postup tvorby modelu, generalizace a křížová validace.

  2. Regresní metody – lineární a polynomiální regrese, metoda nejmenších čtverců, gradientní sestup, regularizace a hodnocení regresních modelů.

  3. Binární klasifikace – lineární klasifikace, logistická regrese, regularizace, ztrátové funkce a hodnocení binárních klasifikátorů.

  4. Vícetřídní klasifikace – strategie One-vs-Rest a One-vs-One, multinomiální logistická regrese, funkce softmax, křížová entropie a hodnocení vícetřídních klasifikátorů.

  5. Paměťové metody – klasifikace a regrese metodou k nejbližších sousedů (k-NN), metriky vzdálenosti a volba parametrů.

  6. Pravděpodobnostní klasifikace – Bayesův klasifikátor, Gaussovská diskriminační analýza a naivní Bayesův klasifikátor.

  7. Stroje s podporou vektorů (SVM) – principy klasifikace a regrese, jádrové funkce.

  8. Regresní a klasifikační stromy – konstrukce rozhodovacích stromů, kritéria dělení, algoritmus CART a prořezávání.

  9. Souborové učení – metody bagging a boosting, náhodné lesy, AdaBoost a Gradient Boosting.

  10. Neuronové sítě – struktura a aktivační funkce, dopředný průchod, zpětné šíření chyby, trénování a regularizace.

  11. Redukce dimenzionality dat – analýza hlavních komponent (PCA), přehled dalších metod a jejich využití při zpracování a vizualizaci dat.

  12. Shlukování – algoritmus k-means, směsi Gaussovských rozdělení a algoritmus EM, hierarchické a hustotní shlukování, hodnocení kvality shlukování.

  13. Opakování


Cvičení s počítačovou podporou

26 hod., povinná

Osnova


  1. Seznámení s programovým prostředím, příprava dat a základní postupy vyhodnocování modelů.

  2. Lineární a polynomiální regrese s využitím metody nejmenších čtverců a regularizace.

  3. Binární klasifikace lineárně separovatelných dat.

  4. Vícetřídní klasifikace a vyhodnocování klasifikačních modelů.

  5. Klasifikace a regrese metodou k nejbližších sousedů.

  6. Bayesův klasifikátor, Gaussovská diskriminační analýza a naivní Bayesův klasifikátor.

  7. Klasifikace lineárně a nelineárně separovatelných dat pomocí strojů s podporou vektorů.

  8. Využití rozhodovacích stromů pro klasifikační a regresní úlohy.

  9. Souborové metody strojového učení.

  10. Využití vícevrstvého perceptronu pro klasifikační a regresní úlohy.

  11. Redukce dimenzionality dat.

  12. Shlukování dat.

  13. Zápočet.