Předmět Úvod do strojového učení (NPFL054)

Na serveru studentino.cz naleznete nejrůznější studijní materiály: zápisky z přednášek nebo cvičení, vzorové testy, seminární práce, domácí úkoly a další z předmětu NPFL054 - Úvod do strojového učení, Matematicko-fyzikální fakulta, Univerzita Karlova v Praze (UK).

Materiál	Typ	Datum	Počet stažení

Sylabus

1. Úvod: co je strojové učení, motivační příklady, interdisciplinarita strojového učení, řízené vs. neřízené učení, strojové učení a jeho aplikace. 2. Konceptuální učení: koncepty, uspořádání hypotéz, algoritmus FIND-S, algoritmus CE. 3. Rozhodovací stromy: rozhodovací strom jako datová struktura, algoritmus ID3, kritéria větvení, přetrénování, spojité atributy, chybějící atributy, informační kritérium Akaike. 4. Naivní Bayesův klasifikátor: Bayesův vzorec, posteriorní pravděpodobnost, metoda maximální věrohodnosti. Bayesovské sítě, algoritmus K2. 5. Vyhodnocení experimentů: přesnost, křížová validace, odhad chyby, bootstrapping, křivka ROC, statistická významnost výsledků, intervaly spolehlivosti. 6. Učení založené na příkladech: kritérium vzdálenosti, algoritmus K nejbližších sousedů, diskrétní/spojité případy, prokletí dimenzionality. 7. Metoda podpůrných vektorů: hranice lineárního oddělovače (klasifikátoru), (ne)lineární oddělovač, kvadratické programování, jádrové algoritmy. 8. Kombinace klasifikátorů: hlasování, bagging, boosting, AdaBoost, metoda náhodných lesů. 9. Logistická regrese. 10. Teoretické aspekty strojového učení: učení Probably Approximately Correct, Vapnik-Chervonenkisova dimenze. 11. Shlukování: dendrogramy, (ne)hierarchické shlukování, algoritmus K průměrů.

Literatura

• Mitchel, Tom: Machine Learning. McGraw-Hill, 1997.• James, Gareth, Daniela Witten, Trevor Hastie and Robert Tibshirani: An Introduction to Statistical Learning. Springer, 2013.• Lantz, Brett: Machine Learning with R. Packt Publishing, 2013.

Garant

Mgr. Barbora Vidová Hladká, Ph.D.RNDr. Martin Holub, Ph.D.