Strojové učení

Studijní plán: Aplikovaná informatika - kombi, platný od ZS 2024/2025

Předmět Strojové učení (SU)
Garantuje Katedra technických studií (KTS)
Garant Ing. Jan Mittner, Ph.D.
Jazyk česky
Počet kreditů 3
Prezenční studium
Cvičení2 h
Kombinované studium
Cvičení12 h
Studijní plán Typ Sem. Kred. Ukon.
Aplikovaná informatika - kombi, platný od ZS 2024/2025 PV 5 3 kr. KZ
Aplikovaná informatika - platný od ZS 2024/2025 PV 5 3 kr. KZ

Anotace

Cílem předmětu je seznámit studenty s aktuálním stavem poznání ve vybraných oblastech strojového učení a představit jim algoritmy a jejich praktické aplikace v dostupných nástrojích. Praktické aplikace jsou zaměřeny na úlohy, jako je například rozpoznávání psaného textu, analýza sentimentu textu, predikce cen nemovitostí, předpověď teploty z časové řady meteo údajů, prediktivní psaní textu, rozpoznávání objektů v obrazu nebo generativní textové a obrazové úlohy. 

Znalosti: Po úspěšném absolvování jsou studenti schopni vysvětlit principy vybraných algoritmů strojového učení. 


Dovednosti: Vybrané algoritmy strojového učení jsou studenti schopni prakticky aplikovat ve vhodných úlohách. 


Obecné způsobilosti: Studenti se orientují v oblasti strojového učení a jsou schopní samostatně řešit běžné úlohy, se kterými se mohou setkat ve svém profesním životě.  Student umí vhodně interpretovat získaní znalosti.

Sylabus

  • Úvod do strojového učení 
  • hlavní pojmy, historie, současnost, algoritmy, typy úloh, výzvy a problémy 
  • prakticky: lineární regrese  
  • Základní praktiky strojového učení 
  • doporučený pracovní postup při řešení úloh strojového učení 
  • prakticky: projekt strojového učení od začátku do konce 
  • Klasifikace entit 
  • binární a multiclass klasifikace 
  • prakticky: rozpoznávání psaných číslic 
  • Trénování modelů 
  • metoda Gradient Descent 
  • prakticky: Titanic dataset 
  • Pokročilé metody klasifikace 
  • Support Vector Machines, Rozhodovací stromy, Random Forest 
  • prakticky: SPAM filtr 
  • Učení bez učitele 
  • shlukování, redukce dimenzionality, detekce anomalit 
  • prakticky: doporučovací systém 
  • Neuronové sítě a Deep Learning 
  • principy a klíčové pojmy, framework Keras 
  • prakticky: binární a multiclass klasifikace, regrese 
  • Deep Learning pro počítačové vidění 
  • konvoluční neuronové sítě 
  • prakticky: rozpoznávání objektů v obrazu, rozpoznávání obličejů 
  • Deep Learning pro texty a sekvenční data 
  • word embeddings, předtrénované modely 
  • prakticky: rekurentní neuronové sítě 
  • Generativní Deep Learning 
  • variační autoenkodéry, GAN, transformery 
  • prakticky: generování textu, přenos stylu obrazů, generování obrazů 

Doporučená literatura

  • GÉRON, Aurélien. Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: concepts, tools, and techniques to build intelligent systems. Second edition. Sebastopol, CA: O'Reilly Media, 2019. ISBN 978-1-4920-3264-9.
  • CHOLLET, François. Deep learning v jazyku Python: knihovny Keras, Tensorflow. Přeložil Rudolf PECINOVSKÝ. Knihovna programátora (Grada). Praha: Grada Publishing, 2019. ISBN 978-80-247-3100-1.
  • Studijní opora v LMS Moodle.

^ nahoru ^