PředmětyPředměty(verze: 949)
Předmět, akademický rok 2023/2024
  
Strojové učení II - B500011
Anglický název: Machine Learning II
Zajišťuje: Ústav informatiky a chemie (143)
Fakulta: Fakulta chemické technologie
Platnost: od 2021
Semestr: letní
Body: letní s.:5
E-Kredity: letní s.:5
Způsob provedení zkoušky: letní s.:
Rozsah, examinace: letní s.:2/2, Z+Zk [HT]
Počet míst: neomezen / neomezen (neurčen)
Minimální obsazenost: neomezen
Jazyk výuky: čeština
Způsob výuky: prezenční
Způsob výuky: prezenční
Úroveň:  
Pro druh:  
Další informace: https://courses.fit.cvut.cz/BI-ML2/
Poznámka: předmět je možno zapsat mimo plán
povolen pro zápis po webu
Garant: Vašata Daniel Ing. Ph.D.
Záměnnost : B500007
Anotace -
Poslední úprava: Lankaš Filip doc. Ing. Ph.D. (21.02.2023)
Cílem předmětu je seznámit studenty s vybranými pokročilejšími metodami strojového učení. Ve scénáři učení s učitelem se jedná zejména o jádrové metody a neuronové sítě. Ve scénáři učení bez učitele se jedná o analýzu hlavních komponent a další metody redukce dimenzionality. Kromě toho se studenti obeznámí se základy posilovaného učení a strojového zpracování přirozeného jazyka.
Výstupy studia předmětu -
Poslední úprava: Lankaš Filip doc. Ing. Ph.D. (21.02.2023)

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

Literatura -
Poslední úprava: Lankaš Filip doc. Ing. Ph.D. (21.02.2023)

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/

Studijní opory -
Poslední úprava: Lankaš Filip doc. Ing. Ph.D. (21.02.2023)

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

Sylabus -
Poslední úprava: Lankaš Filip doc. Ing. Ph.D. (21.02.2023)

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

Vstupní požadavky -
Poslední úprava: Lankaš Filip doc. Ing. Ph.D. (21.02.2023)

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.

 
VŠCHT Praha