Předmět Strojové učení (KIV / SU)

Na serveru studentino.cz naleznete nejrůznější studijní materiály: zápisky z přednášek nebo cvičení, vzorové testy, seminární práce, domácí úkoly a další z předmětu KIV / SU - Strojové učení, Fakulta aplikovaných věd, Západočeská univerzita v Plzni (ZČU).

Materiál	Typ	Datum	Počet stažení

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 definice teorie kognitivních systémů, vztah mezi daty, informacemi a znalostmi, komponenty kognitivních systémů, obecná klasifikační úloha.2. Úvod do problematiky strojového učení, učení s učitelem a bez učitele, možnosti aplikace a příklady, případové studie.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.

Získané způsobilosti

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.

Literatura

Barber, David. Bayesian Reasoning and Machine Learning. Cambridge University Press. Cambridge University, 2012. ISBN 978-0-521-51814-7.Heylighen, Francis. Cognitive Systems - A Cybernetic Perspective on the New Science of the Mind. Lecture Notes. ECCO: Evolution, Complexity and Cognition. Vrije Universiteit Brusse, 2010. Nilsson, J. Nils. Introduction to Machine Learning. Stanford University Press. Stanford University, 2005. Bishop, C.M. Pattern Recognition and Machine Learning. Springer, 2006. ISBN 978-0387-31073-2.Trevor Hastie, Robert Tibshirani, Jerome Friedman. The Elements of Statistical Learning. Springer. 2009. ISBN 978-0-387-84857-0.

Požadavky

Student má nárok na zápočet tehdy, jestliže odevzdá včas semestrální práci dle zvoleného zadání. Semestrální práce je samostatná práce většího rozsahu, implementovaná v některém z běžných programovacích jazyků (C/C++, Object Pascal, C#, Java) s využitím knihoven (např. ALGLIB, Intel MKL, apod.). K vytvoření prototypu je možné využít MATLAB nebo Octave. Téma práce si může student zvolit sám (a nechat schválit vyučujícím) nebo si vybere některé z témat, kterým se bude podílet na vědecko-výzkumné činnosti katedry.Zkouška je 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.

Garant

Prof. Ing. Václav Matoušek, CSc.

Vyučující

Ing. Kamil Ekštein, Ph.D.Ing. Kamil Ekštein, Ph.D.Ing. Miloslav Konopík, Ph.D.