Předměty

Cílem předmětu je seznámit studenty se základními metodami strojového učení. Studenti teoreticky porozumí a naučí se prakticky používat modely vhodné pro regresní i klasifikační úlohy ve scénáři učení s učitelem a také modely shlukování ve scénáři učení bez učitele. V předmětu bude také probrán vztah mezi vychýlením a variancí modelů (bias-variance trade-off) a vyhodnocování kvality modelů. Kromě toho se studenti naučí základní techniky předzpracování a vizualizace dat. Na cvičeních se k práci s daty a modely budou využívat knihovny pandas a scikit pro jazyk Python.

Poslední úprava: Lankaš Filip (21.02.2023)

The goal of this course is to introduce students to the basic methods of machine learning. They get theoretical understanding and practical working knowledge of regression and classification models in the supervised learning scenario and clustering models in the unsupervised scenario. Students will be aware of the relationships between model bias and variance, and know the fundamentals of assessing model quality. Moreover, they learn the basic techniques of data preprocessing and multidimensional data visualization. In practical demonstrations, pandas and scikit libraries in Python will be used.

Poslední úprava: Lankaš Filip (21.02.2023)

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

Poslední úprava: Lankaš Filip (21.02.2023)

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

Poslední úprava: Lankaš Filip (21.02.2023)

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/

Poslední úprava: Lankaš Filip (21.02.2023)

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/

Poslední úprava: Lankaš Filip (21.02.2023)

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

Poslední úprava: Lankaš Filip (21.02.2023)

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

Poslední úprava: Lankaš Filip (21.02.2023)

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

Poslední úprava: Lankaš Filip (21.02.2023)

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

Poslední úprava: Lankaš Filip (21.02.2023)

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

Poslední úprava: Lankaš Filip (21.02.2023)

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

Poslední úprava: Lankaš Filip (21.02.2023)