Strojové učení I

Popis

Cílem je seznámit studenty s terminologií a klasickými technikami strojového učení. V rámci cvičení studenti řeší úlohy, programují v jazyce Python, používají knihovny scikit-learn, Keras a TensorFlow.

Jedná se o program zakončený mikrocertifikátem.

Hlavní témata
1. Úvod o strojového učení
2. Zdroje dat a jejich předzpracování pro strojové učení
3. Jednoduchá a vícerozměrná lineární regrese
4. Klasifikace, rozhodovací stromy a logistická regrese
5. Úvod do neuronových sítí
6. Metody shlukování
7. Analýza hlavních komponent
8. Metoda podpůrných vektorů
9. Detekce anomálií
10. Doporučující systémy
11. Analýza sentimentu
12. Strojové odučování
13. Vysvětlitelná umělá inteligence

Výsledky učení (profil absolventa)
Odborné znalosti – po absolvování předmětu prokazuje student znalosti:
Umí popsat proces strojového učení, umí popsat jednotlivé klasické metody strojového učení, uvádí příklady aplikačních oblastí strojového učení včetně vysvětlení vhodných technických řešení; umí vysvětlit význam vysvětlitelnosti modelů strojového učení a význam strojového odučování.

Odborné dovednosti – po absolvování předmětu prokazuje student dovednosti:
Řešit jednoduché typové úlohy včetně jejich realizace v jazyce Python za využití knihoven scikit-learn, Keras a TensorFow, provádět a vyhodnocovat experimenty se zadanou datovou množinou, vyhledávat a používat volně dostupné datové sady a modely.

Obecné způsobilosti – po absolvování předmětu je student schopen:
Aplikovat teoretické znalosti při návrhu řešení úloh z vybraných aplikačních oblastí strojového učení (zpracování obrazu, textu, časových řad).

Předpoklady potřebné k zápisu do programu CŽV
Předpokládají se znalosti matematiky, statistiky a programování na úrovni bakalářského studia. Výhodou je zkušenost s jazykem Python.

Forma způsobu ověření výsledků učení a další požadavky na studenta

Projekt: Během semestru student zpracovává dva úkoly, jejich splnění je podmínkou pro udělení zápočtu. V první úloze student aplikuje zadanou metodu strojového učení na zadaný dataset. V druhé úloze student řeší praktický problém, vyžadující strojové učení a pro tento problém si sám volí metodu učení.
Zkouška je písemná. Student odpovídá na 10 otevřených teoretických otázek z předem daného seznamu, maximálně může získat 100 bodů. Výsledná známka je dána podle tohoto schématu:
100–91 bodů = A
90–81 bodů = B
80–71 bodů = C
70–61 bodů = D
60–51 bodů = E
50 a méně bodů = F

Studijní literatura a studijní pomůcky
Povinné: Studijní materiály v systému Moodle.

Duporučená literatura:
• Goodfellow, I., Bengio, J., Courville, A. Deep Learning. MIT Press. Cambridge, 2016.
• Kelleher, J.D. et al. Fundamentals of Machine Learning for PredictiveData Analytics: Algorithms. Worked Examples, and Case Studies. MIT Press. Cambridge, 2015.
• Buduma, N. Fundamentals of Deep Learning: Designing Next-Generation Machine Learning Algorithms. OReilly. Boston, 2017.
• Muller, A.C., Guido, S. Introduction to Machine Learning with Python: A Guide for Data Scientists. OReilly. Boston, 2016.
• Raschka, S., Mirjalili, V. Python Machine Learning. Packt. Birmingham, 2017.
• Garreta R. et al. Scikit-learn: Machine Learning Simplified Learning Path. Packt. Birmingham, 2017.
• Bishop, C.M. Pattern Recognition and Machine Learning. Cambridge, 2006 (učebnice, pdf)

Webové odkazy:
• https://scikit-learn.org/stable/index.html# 
• https://python.cz/ 
• http://www.deeplearningbook.org 
• https://scikit-learn.org/0.20/_downloads/scikit-learn-docs.pdf 
• https://www.kaggle.com/learn/overview 
• http://neuralnetworksanddeeplearning.com/ 
• http://deeplearning.net/datasets/ 
• http://playground.tensorflow.org 
• http://www.deeplearningbook.org/ 

Místo výuky: bude upřesněno

Termíny výuky: bude upřesněno

Další informace:

Přihlášení probíhá elektronickou formou, je závazné a kurzovné nevratné. Před zahájením kurzu obdrží přihlášení organizační pokyny e-mailem. Vzdělavatel si vyhrazuje právo kurz neotevřít z důvodu dlouhodobé nemoci lektora, dále pak v případě nedostatečného počtu přihlášených osob, či z jiných závažných organizačních důvodů. O neotevření kurzu budou přihlášení v předstihu informováni e-mailem. V případě zrušení kurzu ze strany vzdělavatele se kurzovné přihlášeným vrací v plné výši.