|
|
Hlavní nabídka Prohlížení IS/STAG
Nalezené předměty, počet: 1
Stránkování výsledků vyhledávání
Nalezeno 1 záznamů
Export do Xls
Informace o předmětu
KIV / SU-E
:
Popis předmětu
Pracoviště / Zkratka
|
KIV
/
SU-E
|
Akademický rok
|
2023/2024
|
Akademický rok
|
2023/2024
|
Název
|
Strojové učení
|
Způsob zakončení
|
Zkouška
|
Způsob zakončení
|
Zkouška
|
Akreditováno / Kredity
|
Ano,
6
Kred.
|
Forma zakončení
|
Kombinovaná
|
Forma zakončení
|
Kombinovaná
|
Rozsah hodin
|
Přednáška
3
[HOD/TYD]
Cvičení
2
[HOD/TYD]
|
Zápočet před zkouškou
|
Ano
|
Zápočet před zkouškou
|
Ano
|
Automatické uznávání zápočtu před zkouškou
|
Ne
|
Počítán do průměru
|
ANO
|
Vyučovací jazyk
|
Angličtina
|
Obs/max
|
|
|
|
Automatické uznávání zápočtu před zkouškou
|
Ne
|
Letní semestr
|
0 / -
|
0 / -
|
0 / -
|
Počítán do průměru
|
ANO
|
Zimní semestr
|
0 / -
|
0 / -
|
8 / -
|
Opakovaný zápis
|
NE
|
Opakovaný zápis
|
NE
|
Rozvrh
|
Ano
|
Vyučovaný semestr
|
Zimní semestr
|
Vyučovaný semestr
|
Zimní semestr
|
Minimum (B + C) studentů
|
10
|
Volně zapisovatelný předmět |
Ano
|
Volně zapisovatelný předmět
|
Ano
|
Vyučovací jazyk
|
Angličtina
|
Počet dnů praxe
|
0
|
Počet hodin kontaktní výuky |
|
Hodnotící stupnice |
1|2|3|4 |
Periodicita |
každý rok
|
Hodnotící stupnice pro zp. před zk. |
S|N |
Periodicita upřesnění |
|
Základní teoretický předmět |
Ne
|
Profilující předmět |
Ne
|
Základní teoretický předmět |
Ne
|
Hodnotící stupnice |
1|2|3|4 |
Hodnotící stupnice pro zp. před zk. |
S|N |
Nahrazovaný předmět
|
Žádný
|
Vyloučené předměty
|
KIV/SU a KKY/USK
|
Podmiňující předměty
|
Nejsou definovány
|
Předměty informativně doporučené
|
KMA/LAA a KMA/MA1 a KMA/PSA a KIV/TI
|
Předměty,které předmět podmiňuje
|
KIV/NLP, KIV/SZD
|
Graf četnosti udělených hodnocení studentům napříč roky:
Obrázek PNG
,
XLS
|
Cíle předmětu (anotace):
|
Vybavit studenty potřebnými teoretickými znalostmi a praktickými dovednostmi tak, aby rozuměli fundamentálním principům technik strojového učení jako klíčové oblasti umělé inteligence, aby chápali do hloubky jak v teoretické, tak v praktické rovině základní postupy, z nichž se odvozují současné moderní metody strojového učení a reprezentace a transformace znalostí. Důraz je kladen zejména na propojení souvisejících poznatků z matematiky, teoretické informatiky, pravděpodobnosti a statistiky a dalších teoretických prerekvizitních disciplín s praktickou inženýrskou realizací technik strojového učení a postupy implementace a nasazování umělé inteligence v průmyslové praxi.
|
Požadavky na studenta
|
Student má nárok na zápočet tehdy, jestliže úspěšně (s hodnocením 51% a více) složí zápočtový test a získá alespoň polovinu možných bodů z malých, průběžně zadávaných cvičných úloh. Smyslem zápočtového testu je ověřit, zda je student dostatečně vybaven základními a prerekvizitními dovednostmi a znalostmi, a to zejména proto, aby na zkoušku nepřicházeli studenti, kteří nedisponují dostatečnými znalostmi k jejímu úspěšnému složení.
Zkouška je individuální ústní, s cílem ověřit hloubku porozumění problémům, jimiž se předmět zabývá. Student si vylosuje 1 otázku ze seznamu zkouškových otázek, následně se během 30 minut připraví (možno písemně) a pak otázku obšírně zodpoví. V případě velkého počtu zapsaných studentů může zkoušející namísto ústního zkoušení uložit písemný test rozsahem zhruba odpovídající ústní zkoušce.
|
Obsah
|
Níže uvedená témata představují okruhy probírané látky a neodpovídají zcela přesně jednotlivým rozvrhovaným přednáškám:
1. Úvodní informace, organizace předmětu, doporučená literatura a zdroje studijních materiálů; základní pojmy a vztahy mezi nimi, vztah mezi daty, informacemi a znalostmi, definice strojové inteligence a strojového učení, učící se algoritmy; paradigmata a formalismy strojového učení (hypotéza - znalost, stavový a parametrický prostor).
2. Úvod do problematiky strojového učení, učení s učitelem a bez učitele; možnosti aplikace a příklady, případové studie; popis účelu a činnosti částí učícího se systému; operátory strojového učení; úloha strojového učení, její podmínky a cíle; regrese a klasifikace, primitivní lineární klasifikátor.
3. Bayesovské učení, Bayesova věta, optimální a naivní bayesovský klasifikátor, strategie výběru hypotéz, aplikace NBK.
4. Lineární regrese, odvození cenové/pokutové funkce a techniky její minimalizace, odvození gradientní metody, algoritmus gradientního sestupu.
5. Lineární regrese více proměnných, gradientní sestup ve vícerozměrném prostoru, problémy a omezení gradientního sestupu; polynomiální regrese; normální rovnice.
6. Logistická regrese, model hypotézy logistické regrese, interpretace výsledků, rozhodovací hranice, klasifikace do více tříd - algoritmus One-vs-All.
7. Regularizace, přeučení a jeho projevy, techniky potlačení přeučení, naivní odvození regularizace, algoritmus regularizace, regularizovaná lineární a logistická regrese.
8. Support Vector Machines, cíl optimalizace jako alternativní pohled na logistickou regresi, matematický model SVM, hypotéza s bezpečnostním faktorem, jádra.
9. Neuronové sítě, historie, biologický předobraz umělých neuronových sítí, matematický model neuronu, vrstevnaté sítě typu MLP, klasifikace neuronovou sítí, cenová funkce neuronové sítě a její optimalizace, učení, algoritmus Backpropagation.
10. Shlukování, obecné poznatky k učení bez učitele, metoda K-means, optimalizační kritérium K-means, výběr centroidů, volba počtu shluků, algoritmus K-means.
11. Snižování dimenzionality, Principal Component Analysis, princip činnosti a algoritmus PCA, vlastnosti PCA, matematický aparát PCA, aplikace a případové studie.
12. Slepá separace zdrojů, motivace a definice problému separace zdrojů, přehled metod slepé separace, Independent Component Analysis, princip činnosti a algoritmus ICA, vlastnosti ICA, matematický aparát ICA, aplikace a případové studie.
13. Evoluční výpočty a genetické algoritmy, metaheuristické strategie prohledávání stavového prostoru; techniky kódování genotypu; operátory a parametry GA, fitness function; obecný předpis genetického algoritmu, SOEA/MOEA; strategie výběru jedinců nové generace.
|
Aktivity
|
|
Studijní opory
|
|
Garanti a vyučující
|
|
Literatura
|
-
Základní:
Bishop, C.M. Pattern Recognition and Machine Learning. Springer, 2006. ISBN 978-0387-31073-2.
-
Základní:
Trevor Hastie, Robert Tibshirani, Jerome Friedman. The Elements of Statistical Learning. Springer. 2009. ISBN 978-0-387-84857-0.
-
Doporučená:
Barber, David. Bayesian reasoning and machine learning. Cambridge : Cambridge University Press, 2012. ISBN 978-0-521-51814-7.
-
Doporučená:
Smola, A. J., Vishwanathan, S. V. N. Introduction to Machine Learning. Cambridge: Cambridge University Press, 2008. ISBN 0-521-82583-0.
-
Doporučená:
Nilsson, J. Nils. Introduction to Machine Learning. Stanford University Press. Stanford University, 2005.
-
Doporučená:
Murphy, Kevin P. Machine learning : a probabilistic perspective. Cambridge : MIT Press, 2012. ISBN 978-0-262-01802-9.
-
On-line katalogy knihoven
|
Časová náročnost
|
Všechny formy studia
|
Aktivity
|
Časová náročnost aktivity [h]
|
Vypracování seminární práce v magisterském studijním programu [5-100]
|
40
|
Příprava na zkoušku [10-60]
|
30
|
Příprava na laboratorní měření, zpracování výsledků [1-8]
|
15
|
Praktická výuka [vyjádření počtem hodin]
|
26
|
Kontaktní výuka
|
39
|
Příprava prezentace (referátu) [3-8]
|
6
|
Celkem
|
156
|
|
Předpoklady
|
Odborné znalosti - pro úspěšné zvládnutí předmětu se předpokládá, že je student před zahájením výuky schopen: |
Dobrá znalost základů matematické analýzy, lineární algebry, pravděpodobnosti a statistiky a numerických metod. Aktivní programátorské dovednosti v nějakém vyšším programovacím jazyce, např. C/C++, Object Pascal, Java, C#; znalost MATLABu či Octave výhodou. Schopnost samostatného studia odborné literatury a obstojná znalost anglického jazyka (předpokládá se studium převážně anglicky psaných zdrojů). |
Odborné dovednosti - pro úspěšné zvládnutí předmětu se předpokládá, že student před zahájením výuky dokáže: |
Aktivně programovat v nějakém vyšším programovacím jazyce, např. C/C++, Object Pascal, Java, C#; znalost MATLABu či Octave výhodou. Samostatně studovat odbornou literaturu v anglickém jazyce. |
Obecné způsobilosti - před zahájením studia předmětu je student schopen: |
mgr. studium: samostatně získávají další odborné znalosti, dovednosti a způsobilosti na základě především praktické zkušenosti a jejího vyhodnocení, ale také samostatným studiem teoretických poznatků oboru., |
mgr. studium: samostatně a odpovědně se na základě rámcového zadání rozhodují v souvislostech jen částečně známých, |
bc. studium: efektivně využívá různé strategie učení k získání a zpracování poznatků a informací, hledá a rozvíjí účinné postupy ve svém učení, |
bc. studium: efektivně využívá moderní informační technologie, |
bc. studium: uplatňuje při řešení problémů vhodné metody a dříve získané vědomosti a dovednosti, kromě analytického a kritického myšlení využívá i myšlení tvořivé s použitím představivosti a intuice, |
|
Výsledky učení
|
Odborné znalosti - po absolvování předmětu prokazuje student znalosti: |
Absolvováním předmětu student získá rámcový přehled o paradigmatech umělých kognitivních systémů, zejména s přihlédnutím k jejich praktické aplikaci v oblasti umělé inteligence a inteligentního software. Dosáhne také hlubšího pochopení základních technik strojového učení, reprezentace, odvozování a ukládání znalostí a racionálního chování, tj. rozhodování a řešení problémů, což mu umožní se zapojit do řešení vědecko-výzkumných úkolů ať už v rámci dalšího studia nebo v průmyslové praxi. |
Odborné dovednosti - po absolvování předmětu prokazuje student dovednosti: |
Dovede implementovat základní techniky strojového učení či je s hlubokým porozuměním upravovat. Dokáže také navrhovat smysluplné vlastní postupy řešení problémů z oblasti umělé inteligence a strojového učení. |
Obecné způsobilosti - po absolvování předmětu je student schopen: |
mgr. studium: srozumitelně a přesvědčivě sdělují odborníkům i širší veřejnosti vlastní odborné názory, |
mgr. studium: samostatně a odpovědně se rozhodují v nových nebo měnících se souvislostech nebo v zásadně se vyvíjejícím prostředí s přihlédnutím k širším společenským důsledkům jejich rozhodování, |
bc. studium: samostatně a odpovědně se na základě rámcového zadání rozhodují v souvislostech jen částečně známých, |
bc. studium: samostatně získávají další odborné znalosti, dovednosti a způsobilosti na základě především praktické zkušenosti a jejího vyhodnocení, ale také samostatným studiem teoretických poznatků oboru, |
bc. studium: srozumitelně a přesvědčivě sdělují odborníkům i laikům informace o povaze odborných problémů a vlastním názoru na jejich řešení, |
|
Hodnoticí metody
|
Odborné znalosti - odborné znalosti dosažené studiem předmětu jsou ověřovány hodnoticími metodami: |
Test, |
Demonstrace dovedností (praktická činnost), |
Ústní zkouška, |
Odborné dovednosti - odborné dovednosti dosažené studiem předmětu jsou ověřovány hodnoticími metodami: |
Ústní zkouška, |
Test, |
Demonstrace dovedností (praktická činnost), |
Obecné způsobilosti - obecné způsobilosti dosažené studiem předmětu jsou ověřovány hodnoticími metodami: |
Ústní zkouška, |
Test, |
Demonstrace dovedností (praktická činnost), |
|
Vyučovací metody
|
Odborné znalosti - pro dosažení odborných znalostí jsou užívány vyučovací metody: |
Přednáška s demonstrací, |
Přednáška s diskusí, |
Cvičení (praktické činnosti), |
Řešení problémů, |
Samostudium, |
Samostatná práce studentů, |
Přednáška s aktivizací studentů, |
Diskuse, |
Odborné dovednosti - pro dosažení odborných dovedností jsou užívány vyučovací metody: |
Cvičení (praktické činnosti), |
Samostatná práce studentů, |
Obecné způsobilosti - pro dosažení obecných způsobilostí jsou užívány vyučovací metody: |
Přednáška s diskusí, |
Diskuse, |
Řešení problémů, |
Samostudium, |
|
|
|
|