Cílem předmětu je seznámit studenty s pokročilými přístupy z oblasti strojového učení a možnostmi jejich uplatnění pro různé typy úloh učení z průmyslové praxe.
Student, který úspěšně absolvoval předmět, umí: vysvětlit, jaké jsou cíle a principy strojového učení a jeho společenské dopady; rozlišit generativní a diskriminační algoritmy strojového učení; charakterizovat princip učení podpůrných vektorových strojů, rozlišit učení s učitelem, bez učitele a posilované učení; porovnat metody pro selekci atributů; rozlišit přístupy k vytváření souborů algoritmů; rozlišit měřítka výkonnosti pro různé typy úloh strojového učení. Student, který úspěšně absolvoval předmět, dovede: navrhnout vhodné rozdělení dat dle jejich velikosti a struktury; pro danou úlohu zvolit vhodný typ algoritmu strojového učení; provést selekci atributů s cílem snížení dimenzionality dat a zvýšení výkonnosti metody strojového učení; použít metody strojového učení z oblasti učení s učitelem, bez učitele a posilovaného učení; vyhodnotit kvalitu vytvořeného modelu strojového učení. Student, který úspěšně absolvoval předmět, je schopen: samostatně a odpovědně se rozhodovat a při řešení složitých problémů provést rozklad na jednodušší úlohy; do řešení problémů zahrnout úvahu o společenských a etických rozměrech technologického rozvoje; samostatně získávat další odborné znalosti, dovednosti a způsobilosti; efektivně komunikovat s cílovou skupinou uživatelů ? experty z oblasti průmyslu, bezpečnosti a dalších.
|
-
AGGARWAL, CH.C. Neural networks and deep learning: a textbook. Cham: Springer, 2018.
-
BISCHOP, C.M. Pattern recognition and machine learning. New York: Springer, 2007.
-
DEISENROTH, M. P., FAISAL, A. A., ONG, Ch. S. Mathematics for machine learning. Cambridge: Cambridge University Press, 2020.
-
GOODFELLOW, I., BENGI, Y., COURVILLE, A. Deep learning. Cambridge: MIT Press, 2016.
-
HASTIE, T., TIBSHIRANI, R., FRIEDMAN, J. The elements of statistical learning. Berlin: Springer, 2009.
-
KELLEHER, J.D., MAC NAMEE, B., D'ARCY, A. Fundamentals of machine learning for predictive data analytics: algorithms, worked examples, and case studies. Cambridge: The MIT Press, 2015.
-
KONONENKO, I., KUKAR, M. Machine learning and data mining. Amsterdam: Elsevier, 2007.
-
STEINWART, I., CHRISTMANN, A. Support vector machines. Berlin: Springer, 2008.
|