Pokročilé metody analýzy dat a neuronové sítě: Aplikace v praxi - CZV4460003
Anglický název: Advanced Data Analysis Methods and Neural Networks: Applications in Practice
Zajišťuje: Ústav matematiky, informatiky a kybernetiky (446)
Fakulta: Fakulta chemicko-inženýrská
Platnost: od 2024
Semestr: oba
Body: 0
E-Kredity: 0
Způsob provedení zkoušky:
Rozsah, examinace: 0/32, Jiné [HS]
Počet míst: zimní:neurčen / neurčen (10)
letní:neurčen / neurčen (10)
Minimální obsazenost: 5
Stav předmětu: vyučován
Jazyk výuky: čeština
Způsob výuky: prezenční
Způsob výuky: prezenční
Úroveň:  
Poznámka: předmět lze zapsat v ZS i LS
Garant: Vrba Jan Ing. Ph.D.
Steinbach Jakub Ing.
Třída: Kurz CŽV
Termíny zkoušek   
Anotace
"Kurz nabízí účastníkům komplexní vhled do pokročilých metod analýzy dat a neuronových sítí a jejich praktického využití. Zahrnuje sofistikované techniky analýzy dat, jako je shluková analýza a rozpoznávání vzorů pomocí neuronových sítí. Účastníci se naučí aplikovat analýzu hlavních komponent, která umožňuje identifikaci klíčových charakteristik datových souborů a redukci jejich dimenzionality. Dále se seznámí s algoritmy jako jsou support vector machine (SVM) a k-nejbližších sousedů, které jsou vhodné pro řešení klasifikačních problémů. V kurzu budou také účastníkům představeny hluboké neuronové sítě s důrazem na predikci časových řad a analýzu vícerozměrných dat. Účastníci se seznámí s řadou aktuálně využívaných architektur hlubokých neuronových sítí a naučí se je využívat pro analýzu jejich vlastních datových sad. Důležitou součástí kurzu je také validace a vyhodnocování přesnosti klasifikace a predikce pomocí neuronových sítí. Účastníci se naučí, jak správně nastavit a vyhodnotit výkonnostní metriky svých modelů a jak efektivně využívat různé techniky validace a optimalizace. Celkově kurz umožňuje účastníkům získat hlubší porozumění pokročilým metodám analýzy dat a neuronovým sítím a získat praktické dovednosti pro jejich aplikaci v různých oblastech, od průmyslových aplikací po vědecký výzkum. Tím účastníkům poskytuje potřebné znalosti a dovednosti pro úspěšnou práci v oblasti analýzy dat a umělé inteligence."
Poslední úprava: Krátká Jana (25.09.2024)
Sylabus

Úvod do shlukové analýzy a vybrané metody shlukové analýzy 1: k-nejbližších sousedů, k-means, DBSCAN

Aplikace zvolených klasifikačních metod pomocí knihovny Scikit-learn a jejich porovnání

Hierarchické shlukování (dendrogram) a vybrané metody shlukové analýzy 2: samoorganizující se mapy

Aplikace zvolených klasifikačních metod pomocí knihovny sklearn-som či minisom a jejich porovnání

Úvod do neuronových sítí, učení sítí, gradientní metody, multi-layer perceptron (MLP)

MLP - univerzální aproximátor, učení neuronových sítí, klasifikace a regrese

Aplikace neuronových sítí pro zpracování časových řad

Predikce časových řad

Aplikace neuronových sítí pro zpracování obrazových dat

Problematika klasifikace, detekce objektů, tracking

Use case - ukázka pracovního postupu při zpracování nového datasetu

Ukázka regresního datasetu

Use case - ukázka pracovního postupu při zpracování nového datasetu

Ukázka klasifikačního datasetu

Vytváření automatických reportů ze zpracovaných dat

Automatizace generování reportů s výsledky

Poslední úprava: Krátká Jana (25.09.2024)