Předmět Aplikace metod výpočetní inteligence (NAIL109)

Na serveru studentino.cz naleznete nejrůznější studijní materiály: zápisky z přednášek nebo cvičení, vzorové testy, seminární práce, domácí úkoly a další z předmětu NAIL109 - Aplikace metod výpočetní inteligence, Matematicko-fyzikální fakulta, Univerzita Karlova v Praze (UK).

Materiál	Typ	Datum	Počet stažení

Cíl

Naučit pokročilé metody kombinující přístupy evolučních algoritmů, neuronových sítí a dalších metod výpočetní inteligence. Rozšířit poznatky ze základních přednášek o neuronových sítích, strojovém učení, dobývání znalostí a evolučních algoritmú. Důraz bude kladen na práci s reálnými daty a na využití kombinace různých přístupů při řešení problémů z oblastí optimalizace, učení a modelování.

Sylabus

Předmět se zaměří na prohloubení znalostí z následujících oblastí s důrazem na jejich aplikace na reálná data, např. z různých aktuálních soutěží (Kaggle, konferenční soutěže, apod.)Metaučení - výběr modelů, prohledávání prostoru parametrů (grid search, evoluční algoritmy), ansámbly (bagging, boosting, stacking, blending)Kombinace evolučních algoritmů a strojového učení - náhradní modelování; hybridní modely, vztah lokálního a globálního prohledávání, memetické algoritmy; využití evoluce v metaučeníPokročilé metody evolučních algoritmů - CMA-ES, práce s omezujícími podmínkami Jádrové metody - support vector machines (klasifikace, regrese), jádrové neuronové sítě (Radial basis function networks, kernel networks)Semi-supervised learning - samoučení, generativní modely, Semi-Supervised Support Vector Machines, algoritmy založené na grafech (graph-based methods)Pokročilé modely neuronových sítí - Echo State Network, Long Short Term Memory Network, autoenkodéry, konvoluční sítě, restricted boltzmann machines, deep networks

Literatura

[1] Trevor Hastie, Robert Tibshirani, Jerome Friedman. The elements of statistical learning. Vol. 2, no. 1., Springer, 2009.[2] Alex A. Freitas. Data Mining and Knowledge Discovery with Evolutionary Algorithms, Springer, 2002.[3] Yoshua Bengio, Ian J. Goodfellow, and Aaron Courville. Deep Learning. MIT Press, 2015 (in print), [online: http://www.iro.umontreal.ca/~bengioy/dlbook][4] Charu C. Aggarwal: Data Mining - The Textbook. Springer 2015, ISBN 978-3-319-14141-1[5] Thomas Bäck, Christophe Foussette, and Peter Krause. Contemporary Evolution Strategies. Springer Science & Business Media, 2013.[6] P. Brazdil, C. Giraud Carrier, C. Soares, R. Vilalta: Metalearning. Springer, 2009.

Garant

Mgr. Roman Neruda, CSc.Mgr. Martin Pilát, Ph.D.