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

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

1. Deisenroth M. P. : Mathematics for Machine Learning. Cambridge University Press, 2020. ISBN 978-1108455145.

2. Alpaydin E. : Introduction to Machine Learning. MIT Press, 2020. ISBN 978-0262043793.

3. Murphy K. P. : Machine Learning: A Probabilistic Perspective. MIT Press, 2012. ISBN 978-0-262-01802-9.

4. Bishop Ch. M. : Pattern Recognition and Machine Learning. Springer, 2006. ISBN 978-0387-31073-2.

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

Informace o předmětu a výukové materiály naleznete na https://courses.fit.cvut.cz/BI-ML1/

1. Deisenroth M. P. : Mathematics for Machine Learning. Cambridge University Press, 2020. ISBN 978-1108455145.

2. Alpaydin E. : Introduction to Machine Learning. MIT Press, 2020. ISBN 978-0262043793.

3. Murphy K. P. : Machine Learning: A Probabilistic Perspective. MIT Press, 2012. ISBN 978-0-262-01802-9.

4. Bishop Ch. M. : Pattern Recognition and Machine Learning. Springer, 2006. ISBN 978-0387-31073-2.

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

Further information:

https://courses.fit.cvut.cz/BI-ML1/

Osnova přednášek:

1. Úvod a základní koncepty strojového učení

2. Supervizované učení, klasifikační úloha, rozhodovací stromy

3. Regresní úloha, Metoda nejbližších sousedů pro klasifikaci i regresi

4. Lineární regrese - metoda nejmenších čtverců

5. Lineární regrese - geometrická interpretace, numerické problémy

6. Hřebenová regrese, vztah vychýlení a rozptylu (bias-variance trade-off)

7. Logistická regrese

8. Ensemble metody - náhodné lesy, AdaBoost

9. Evaluace modelů, křížová validace

10. Výběr příznaků

11. Nesupervizované učení, asociační pravidla

12. Hierarchická shlukování a algoritmus k-means

Osnova cvičení:

1. Úvod, Python a jupyter notebooky

2. Supervizované učení, klasifikační úloha, rozhodovací stromy

3. Regresní úloha, Metoda nejbližších sousedů pro klasifikaci i regresi

4. Lineární regrese - metoda nejmenších čtverců

5. Lineární regrese - geometrická interpretace, numerické problémy

6. Hřebenová regrese, vztah vychýlení a rozptylu (bias-variance trade-off)

7. Logistická regrese

8. Ensemble metody - náhodné lesy, AdaBoost

9. Evaluace modelů, křížová validace

10. Výběr příznaků

11. Nesupervizované učení, asociační pravidla

12. Hierarchická shlukování a algoritmus k-means

Syllabus of lectures:

1. Introduction and basic concepts of Machine Learning

2. Supervised learning setup, Classification setup, Decision trees

3. Regression setup, K-nearest neighbors for classification and regression

4. Linear regression - Ordinary least squares

5. Linear regression - geometrical interpretation, numerical issues

6. Ridge regression, bias-variance trade-off

7. Logistic regression

8. Ensemble methods (Random forests, Adaboost)

9. Model evaluation, cross-validation

10. Feature selection

11. Unsupervised learning setup, Association rules

12. Hierarchical clustering, the k-means algorithm

Syllabus of tutorials:

1. Introduction, Python and jupyter notebooks

2. Supervised learning setup, Classification setup, Decision trees

3. Regression setup, K-nearest neighbors for classification and regression

4. Linear regression - Ordinary least squares

5. Linear regression - geometrical interpretation, numerical issues

6. Ridge regression, bias-variance trade-off

7. Logistic regression

8. Ensemble methods (Random forests, Adaboost)

9. Model evaluation, cross-validation

10. Feature selection

11. Unsupervised learning setup, Association rules

12. Hierarchical clustering, the k-means algorithm

Informace o předmětu a výukové materiály naleznete na https://courses.fit.cvut.cz/BI-ML1/

https://courses.fit.cvut.cz/BI-ML1/

Předpokládá se znalost lineární algebry, matematické analýzy a teorie pravděpodobnosti v rozsahu kurzů vyučovaných na fakultě.

The knowledge of calculus, linear algebra and probability theory is assumed.