Detail předmětu

Strojové učení

FSI-VSC Ak. rok: 2026/2027 Letní semestr

Předmět poskytuje úvod do teorie a metod strojového učení se zaměřením na jejich aplikaci při řešení klasifikačních, regresních a shlukovacích úloh.

Jazyk výuky

čeština

Počet kreditů

5

Garant předmětu

doc. Ing. Pavel Škrabánek, Ph.D.

Zajišťuje ústav

Ústav automatizace a informatiky

Vstupní znalosti

Předpokládá se znalost základních souvislostí ze statistiky, optimalizace a programování.

Pravidla hodnocení a ukončení předmětu

Znalosti a dovednosti jsou ověřovány zápočtem a zkouškou. Požadavky pro zápočet: zpracování zadaných úloh. Účast na přednáškách je doporučená, účast na cvičeních je povinná. Cvičení, která nemůže student absolvovat v řádné termínu je možno nahradit v termínu náhradním. Zkouška je ústní a pokrývá celé probrané učivo.

Učební cíle

Cílem předmětu je seznámit studenty s metodami strojového učení a jejich aplikacemi na klasifikaci, regresi a shlukování. Studenti se seznámí s parametrickými i neparametrickými klasifikačními a regresními modely, i klíčovými koncepty, jako jsou metriky chyb, regularizace, křížová validace, gradientní sestup a moderní přístupy, včetně boostingu a směsí Gaussovských rozdělení. Předmět propojuje teorii s praxí pro návrh a implementaci modelů strojového učení.

Použití předmětu ve studijních plánech

Program N-AIŘ-P: Aplikovaná informatika a řízení, magisterský navazující, povinný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Osnova


  1. Úvod do strojového učení: životní cyklus modelu strojového učení, učební paradigmata a typy úloh, generalizace modelu, křížová validace.

  2. Předzpracování dat: chybějící hodnoty, odlehlé hodnoty, normalizace/standardizace, kódování kategorií, transformace proměnných, základní výběr atributů.

  3. Regrese: lineární a polynomiální regrese, metoda nejmenších čtverců, gradientní sestup, ztrátové funkce, metriky výkonu, redundantní proměnné, regularizace.

  4. Lineární regresní klasifikace, logistická a regularizovaná logistická regrese, základní ztrátové funkce a metriky pro měření výkonu klasifikátorů, vliv nevyvážených tříd na trénink a výkon klasifikátoru a jeho hodnocení.

  5. Stroj s podporou vektorů pro klasifikační a regresní úlohy, jádrové funkce.

  6. Percepton, vícevrstvý perceptron, extreme learning machine, dopředná a zpětná propagace, varianty gradientního sestupu, metody zmenšení rizika přeučení.

  7. Stromové metody pro klasifikační a regresní úlohy: rozhodovací stromy, kritéria štěpení, ořezávání stromů, ensemble metody.

  8. Paměťové metody pro klasifikační a regresní úlohy: metoda nejbližších sousedů, vzdálenosti, volba počtu sousedů a váhování.

  9. Úvod do teorie pravděpodobnosti, Bayesův klasifikátor, Gaussovská diskriminační analýza, Naivní Bayesův klasifikátor.

  10. Směsi Gaussovských rozdělení, EM- algoritmus.

  11. Shlukování, k-průměrové shlukování, směsi Gaussovských rozdělení, shlukování podle hustoty.

  12. Redukce dimenze dat, Boosting.

  13. Opakování.

Cvičení s počítačovou podporou

26 hod., povinná

Osnova


  1. Seznámení se s programovým prostředím.

  2. Předzpracování dat

  3. Lineární a polynomiální regrese s využitím MNČ a regularizované MNČ

  4. Klasifikace lineárně separovatelných dat

  5. Klasifikace nelineárně separovatelných dat

  6. Využití vícevrstvého perceptonu pro klasifikační a regresní úlohy.

  7. Využití rozhodovacích stromů pro klasifikační a regresní úlohy.

  8. Využití metody nejbližších sousedů pro klasifikační a regresní úlohy

  9. Bayesův klasifikátor, Gaussovská diskriminační analýza, a Naivní Bayesův klasifikátor.

  10. Využití směsi Gaussovských rozdělení pro klasifikační a regresní úlohy.

  11. Shlukování dat.

  12. Redukce dimenze dat, Boosting

  13. Zápočet.