Detail předmětu
Neuronové sítě a strojové učení
FSI-VSC Ak. rok: 2025/2026 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
Zajišťuje ústav
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 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
- Úvod, učení s učitelem a bez učitele, regrese vs. klasifikace, rozdělení datové sady, metriky chyb, ztrátové funkce, křížová validace, přeučení, regularizace
- lineární regrese, metoda nejmenších čtverců, gradientní sestup, regularizovaná metoda nejmenších čtverců
- Lineární klasifikace, logistická regrese, regularizovaná logistická regrese
- Neparametrické modely, metoda nejbližších sousedů
- Rozhodovací stromy pro klasifikační a regresní problémy
- Generativní modely pro klasifikaci, Bayesův klasifikátor, Gaussovská diskriminační analýza
- Naivní Bayesův klasifikátor
- Stroj s podporou vektorů, jádrové funkce
- Shlukování, k-průměrové shlukování
- Směsi Gaussovských rozdělení
- Redukce dimenze dat, Boosting
- Matematický model neuronu, aktivační funkce, vícevrstvý perceptron, dopředná a zpětná propagace
- Dopředné jedno a vícevrstvé sítě neuronové sítě, rekurentní sítě, topologicky organizované neuronové sít
Cvičení s počítačovou podporou
26 hod., povinná
Osnova
- Seznámení se s programovým prostředím.
- Metoda nejmenších čtverců, a regularizovaná metoda nejmenších čtverců
- Lineární klasifikace, logistická regrese, regularizovaná logistická regrese
- Metoda nejbližších sousedů
- Rozhodovací stromy pro klasifikační a regresní problémy
- Bayesův klasifikátor, Gaussovská diskriminační analýza
- Naivní Bayesův klasifikátor
- Stroj s podporou vektorů
- k-průměrové shlukování
- Směsi Gaussovských rozdělení
- Redukce dimenze dat, Boosting
- Vícevrstvý perceptron
- Zápočet