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
Garant předmětu
Zajišťuje ústav
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
- Úvod do strojového učení – základní paradigmata a typy úloh, postup tvorby modelu, generalizace a křížová validace.
- Regresní metody – lineární a polynomiální regrese, metoda nejmenších čtverců, gradientní sestup, regularizace a hodnocení regresních modelů.
- Binární klasifikace – lineární klasifikace, logistická regrese, regularizace, ztrátové funkce a hodnocení binárních klasifikátorů.
- Vícetřídní klasifikace – strategie One-vs-Rest a One-vs-One, multinomiální logistická regrese, funkce softmax, křížová entropie a hodnocení vícetřídních klasifikátorů.
- Paměťové metody – klasifikace a regrese metodou k nejbližších sousedů (k-NN), metriky vzdálenosti a volba parametrů.
- Pravděpodobnostní klasifikace – Bayesův klasifikátor, Gaussovská diskriminační analýza a naivní Bayesův klasifikátor.
- Stroje s podporou vektorů (SVM) – principy klasifikace a regrese, jádrové funkce.
- Regresní a klasifikační stromy – konstrukce rozhodovacích stromů, kritéria dělení, algoritmus CART a prořezávání.
- Souborové učení – metody bagging a boosting, náhodné lesy, AdaBoost a Gradient Boosting.
- Neuronové sítě – struktura a aktivační funkce, dopředný průchod, zpětné šíření chyby, trénování a regularizace.
- Redukce dimenzionality dat – analýza hlavních komponent (PCA), přehled dalších metod a jejich využití při zpracování a vizualizaci dat.
- Shlukování – algoritmus k-means, směsi Gaussovských rozdělení a algoritmus EM, hierarchické a hustotní shlukování, hodnocení kvality shlukování.
- Opakování
Cvičení s počítačovou podporou
26 hod., povinná
Osnova
- Seznámení s programovým prostředím, příprava dat a základní postupy vyhodnocování modelů.
- Lineární a polynomiální regrese s využitím metody nejmenších čtverců a regularizace.
- Binární klasifikace lineárně separovatelných dat.
- Vícetřídní klasifikace a vyhodnocování klasifikačních modelů.
- Klasifikace a regrese metodou k nejbližších sousedů.
- Bayesův klasifikátor, Gaussovská diskriminační analýza a naivní Bayesův klasifikátor.
- Klasifikace lineárně a nelineárně separovatelných dat pomocí strojů s podporou vektorů.
- Využití rozhodovacích stromů pro klasifikační a regresní úlohy.
- Souborové metody strojového učení.
- Využití vícevrstvého perceptronu pro klasifikační a regresní úlohy.
- Redukce dimenzionality dat.
- Shlukování dat.
- Zápočet.