|
|
Hlavní nabídka Prohlížení IS/STAG
Nalezené předměty, počet: 1
Stránkování výsledků vyhledávání
Nalezeno 1 záznamů
Export do Xls
Informace o předmětu
FES / DSU
:
Popis předmětu
Pracoviště / Zkratka
|
FES
/
DSU
|
Akademický rok
|
2023/2024
|
Akademický rok
|
2023/2024
|
Název
|
Strojové učení
|
Způsob zakončení
|
Zkouška
|
Způsob zakončení
|
Zkouška
|
Akreditováno / Kredity
|
Ano,
10
Kred.
|
Forma zakončení
|
Kombinovaná
|
Forma zakončení
|
Kombinovaná
|
Rozsah hodin
|
Přednáška
12
[HOD/SEM]
|
Zápočet před zkouškou
|
Ne
|
Zápočet před zkouškou
|
Ne
|
Automatické uznávání zápočtu před zkouškou
|
Ne
|
Počítán do průměru
|
NE
|
Vyučovací jazyk
|
Čeština
|
Obs/max
|
|
|
|
Automatické uznávání zápočtu před zkouškou
|
Ne
|
Letní semestr
|
0 / -
|
0 / -
|
1 / -
|
Počítán do průměru
|
NE
|
Zimní semestr
|
0 / -
|
0 / -
|
0 / -
|
Opakovaný zápis
|
NE
|
Opakovaný zápis
|
NE
|
Rozvrh
|
Ano
|
Vyučovaný semestr
|
Zimní + Letní
|
Vyučovaný semestr
|
Zimní + Letní
|
Minimum (B + C) studentů
|
nestanoveno
|
Volně zapisovatelný předmět |
Ano
|
Volně zapisovatelný předmět
|
Ano
|
Vyučovací jazyk
|
Čeština
|
Počet dnů praxe
|
0
|
Počet hodin kontaktní výuky |
|
Hodnotící stupnice |
S|N |
Periodicita |
každý rok
|
Periodicita upřesnění |
|
Základní teoretický předmět |
Ne
|
Profilující předmět |
Ne
|
Základní teoretický předmět |
Ne
|
Hodnotící stupnice |
S|N |
Nahrazovaný předmět
|
Žádný
|
Vyloučené předměty
|
Nejsou definovány
|
Podmiňující předměty
|
Nejsou definovány
|
Předměty informativně doporučené
|
Nejsou definovány
|
Předměty,které předmět podmiňuje
|
Nejsou definovány
|
Graf četnosti udělených hodnocení studentům napříč roky:
Obrázek PNG
,
XLS
|
Cíle předmětu (anotace):
|
Cílem předmětu je seznámit doktorandy s nejnovějšími přístupy z oblasti strojového učení. Jsou diskutovány současné trendy v rozvoji algoritmů strojového učení pro různé typy úloh učení a také vybrané aplikace strojového učení zejména v oblasti zpracování velkých objemů dat.
|
Požadavky na studenta
|
Zpracování a úspěšné obhájení projektu z vybrané látky se zaměřením na doktorskou disertační práci. Všeobecný pohled doktoranda na metody strojového učení.
|
Obsah
|
Teorie učení a vybrané úlohy učení.
Generativní a diskriminační algoritmy.
Podpůrné vektorové stroje a podpůrná vektorová regrese.
Teoretické otázky výběru trénovacích dat.
Selekce a extrakce atributů.
Soubory algoritmů pro učení s učitelem a bez učitele.
Kombinování učení s učitelem a bez učitele.
Analýza výsledků učení a problém přesnosti a komplexnosti.
Strojové učení ve vyhledávání informací a extrakci znalostí z textu.
Aplikace strojového učení při zpracování velkých objemů dat.
|
Aktivity
|
|
Studijní opory
|
|
Garanti a vyučující
|
|
Literatura
|
-
Základní:
BISHOP, C.M. Pattern Recognition and Machine Learning. New York, 2007.
-
Základní:
HASTIE, T., TIBSHIRANI, R., FRIEDMAN, J. The Elements of Statistical Learning. Berlin, 2009.
-
Doporučená:
GUYON, I., ELISSEEFF, A. An introduction to variable and feature selection. 2003.
-
Doporučená:
MANNING, C. D., RAGHAVAN, P., SCHÜTZE, H. Introduction to Information Retrieval. Cambridge, 2008.
-
Doporučená:
KONONENKO, I., KUKAR, M. Machine Learning and Data Mining. Amsterdam, 2007.
-
Doporučená:
DUDA, R., HART, P., STORK, D. Pattern Classification. New York, 2001.
-
Doporučená:
CHAPELLE, O., SCHOLKOPF, B. Semi-Supervised Learning. Cambridge, 2006.
-
Doporučená:
STEINWART, I., CHRISTMANN, A. Support Vector Machines. Berlin, 2008.
|
Předpoklady - další informace k podmíněnosti studia předmětu |
- |
Získané způsobilosti |
Po absolvování předmětu by měl student mít přehled o pokročilých metodách strojového učení a měl by umět pro konkrétní úlohu navrhnout a implementovat vhodný systém se strojovým učením. |
Vyučovací metody |
-
|
Hodnotící metody |
-
|
|
|
|