ÚVOD / Studijní obory / Sylaby / Analýza dat a jejich vizualizace

Strojové učení

Cílem přednětu je představit jetnotlivé algoritmy strojového učení a jejich využití pro analýzu dat. Studenti se v předmětu naučí využívat základní algoritmy ze skupin neuronových sítí, genetických algoritmů a SVM klasifikátorů. K jednotlivým postupům budou vyloženy i související principy pro lepší pochopení funkčností a schopnost efektivního návrhu postupů.

Sylabus předmětu

  1. Úvod a základní úlohy výpočetní inteligence, její použití v data miningu
  2. Rozhodovací stromy - motivace k použití a příklady struktur jako C4.5 a další
  3. Úvod do neuronových sítí - klasifikace pomocí perceptronů a její zobecnění
  4. Vícevrstevné neuronové sítě - zobecnění perceptronu a metody učení 
  5. Neuronové sítě - další příklady neuronových sítí, Kohenenova síť a další
  6. Nelineární SVM-klasifikátory - definice základní SVM metody, použití a vlastnosti
  7. Úvod  do genetických algoritmů - formulace optimalizačního problému a základní operátory selekce křížení a mutace
  8. Genetické algoritmy - různá rozšíření základního algoritmy
  9. Fuzzy množiny a fuzzy logika - definice fuzzy přístupů a způsobů práce s proměnnými tohoto typu
  10. Použití fuzzy pro jednotlivé metody - v genetických algoritmech či neuronových sítích
  11. Kombinování modelů algoritmem Adaboost

Organizace výuky

Prezenční forma

Výuka probíhá ve 12 přednáškách po 3 hodinách a 12 seminářích po 1,5 hodině.

Doporučená literatura

Základní:
  • Bell, J. Machine Learning: Hands-On for Developers and Technical Professionals. Wiley, 2014. 
  • Hastie T.,Tibshirani R.,Friedman J., The Elements of Statistical Learning, Data Mining, Inference and Prediction, Springer, 2011 
  • Holeňa, M.. Statistické aspekty dobývání znalostí z dat. Učební texty Univerzity Karlovy. Praha, nakladatelsví Karolinum, 2006.
  • Zelinka, I. a kol.: Evoluční výpočetní techniky. Principy a aplikace. BEN, Praha, 2009 
  • Haupt, R.L., Haupt, S.E.: Practical Genetic Algorithms. John Wiley & Sons, New Jersey, 2004.
Doporučená:
  • H.White. Artificial Neural Networks: Approximation and Learning Theory. Blackwell Publishers, Cambridge, 1992.