The course aims to introduce students to more advanced methods of a rapidly developing field of machine learning.

Cílem předmětu je poskytnout základní úvod do pokročilejších metod velmi rychle se rozvíjejícího oboru strojového učení.

1. Hastie T., Tibshirani R., Friedman, J. : The Elements of Statistical Learning. Springer, 2009. ISBN 978-0-387-84857-0.

2. Goodfellow I., Bengio Y., Courville A. : Deep Learning. MIT Press, 2016. ISBN 978-0-262-03561-3.

3. Sutton R. S., Barto A. G. : Reinforcement Learning. MIT Press, 2018. ISBN 978-0-262-03924-6.

Further information:

https://courses.fit.cvut.cz/BI-ML2/

1. Hastie T., Tibshirani R., Friedman, J. : The Elements of Statistical Learning. Springer, 2009. ISBN 978-0-387-84857-0.

2. Goodfellow I., Bengio Y., Courville A. : Deep Learning. MIT Press, 2016. ISBN 978-0-262-03561-3.

3. Sutton R. S., Barto A. G. : Reinforcement Learning. MIT Press, 2018. ISBN 978-0-262-03924-6.

Informace o předmětu a výukové materiály naleznete na https://courses.fit.cvut.cz/BI-ML2/

Further information:

https://courses.fit.cvut.cz/BI-ML2/

Informace o předmětu a výukové materiály naleznete na https://courses.fit.cvut.cz/BI-ML2/

Syllabus of lectures:

1. Linear basis expansion, Kernel regression

2. Support vector machines for classification

3. Dimensionality reduction - Principal component analysis

4. Dimensionality reduction - Linear discriminant analysis, Locally linear embedding

5. Generative models - Naive Bayes

6. Neural Networks - Perceptron, multi-layer perceptron, deep learning

7. Neural Networks - backpropagation, regularization

8. Neural Networks - convolutional neural networks

9. Neural networks - recurrent neural networks, modern trends

10. Reinforcement learning - introduction, multi-armed bandit

11. Reinforcement learning - Markov decision processes

12. Natural language processing

Syllabus of tutorials:

1. Linear basis expansion, Kernel regression

2. Support vector machines

3. Dimensionality reduction - Principal component analysis

4. Dimensionality reduction - Linear discriminant analysis, Locally linear embedding

5. Generative models - Naive Bayes

6. Neural Networks - Perceptron, multi-layer perceptron

7. Neural Networks - deep learning, regularization

8. Neural Networks - convolutional neural networks

9. Neural networks - recurrent neural networks

10. Reinforcement learning I

11. Reinforcement learning II

12. Natural language processing

Osnova přednášek:

1. Lineární model bázových funkcí, jádrová regrese

2. Metoda podpůrných vektorů (SVM) pro klasifikaci

3. Redukce dimenzionality - analýza hlavních komponent (PCA)

4. Redukce dimenzionality - lineární diskriminační analýza, lokálně lineární vnoření

3. Generativní modely - naivní Bayes

6. Neuronové sítě - perceptron, vícevrstvý perceptron, hluboké učení

7. Neuronové sítě - zpětné šíření chyby, regularizace

8. Neuronové sítě - konvoluční neuronové sítě

9. Neuronové sítě - rekurentní neuronové sítě, moderní metody

10. Posilované učení - úvod, mnohoruký bandita

11. Posilované učení - markovův rozhodovací proces

12. Strojové zpracování přirozeného jazyka

Osnova cvičení:

1. Lineární model bázových funkcí, jádrová regrese

2. Metoda podpůrných vektorů (SVM)

3. Redukce dimenzionality - analýza hlavních komponent (PCA)

4. Redukce dimenzionality - lineární diskriminační analýza, lokálně lineární vnoření

3. Generativní modely - naivní Bayes

6. Neuronové sítě - perceptron, vícevrstvý perceptron

7. Neuronové sítě - hluboké sítě

8. Neuronové sítě - konvoluční neuronové sítě

9. Neuronové sítě - rekurentní neuronové sítě

10. Posilované učení I

11. Posilované učení II

12. Strojové zpracování přirozeného jazyka

The knowledge of calculus, linear algebra and probability theory is assumed. Furthermore, the knowledge of machine learning corresponding to topics covered in the course B500010 is also assumed.

Předpokládá se znalost lineární algebry, matematické analýzy, teorie pravděpodobnosti v rozsahu kurzů vyučovaných na fakultě. Dále se předpokládá znalost strojového učení odpovídající rozsahu kurzu B500010 na fakultě.