Detail předmětu

Neuronové sítě a strojové učení

FSI-VSC-K 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

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 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-K: Aplikovaná informatika a řízení, magisterský navazující, povinný

Typ (způsob) výuky

 

Konzultace v kombinovaném studiu

17 hod., povinná

Osnova


  1. Úvod, učení s učitelem a bez učitele, regrese vs. klasifikace, rozdělení datové sady, metriky chyb, ztrátové funkce, křížová validace, přeučení, regularizace

  2. lineární regrese, metoda nejmenších čtverců, gradientní sestup, regularizovaná metoda nejmenších čtverců

  3. Lineární klasifikace, logistická regrese, regularizovaná logistická regrese

  4. Neparametrické modely, metoda nejbližších sousedů

  5. Rozhodovací stromy pro klasifikační a regresní problémy

  6. Generativní modely pro klasifikaci, Bayesův klasifikátor, Gaussovská diskriminační analýza

  7. Naivní Bayesův klasifikátor

  8. Stroj s podporou vektorů, jádrové funkce

  9. Shlukování, k-průměrové shlukování

  10. Směsi Gaussovských rozdělení

  11. Redukce dimenze dat, Boosting

  12. Matematický model neuronu, aktivační funkce, vícevrstvý perceptron, dopředná a zpětná propagace

  13. Dopředné jedno a vícevrstvé sítě neuronové sítě, rekurentní sítě, topologicky organizované neuronové sít

Konzultace

35 hod., nepovinná

Osnova


  1. Seznámení se s programovým prostředím.

  2. Metoda nejmenších čtverců, a regularizovaná metoda nejmenších čtverců

  3. Lineární klasifikace, logistická regrese, regularizovaná logistická regrese

  4. Metoda nejbližších sousedů

  5. Rozhodovací stromy pro klasifikační a regresní problémy

  6. Bayesův klasifikátor, Gaussovská diskriminační analýza

  7. Naivní Bayesův klasifikátor

  8. Stroj s podporou vektorů

  9. k-průměrové shlukování

  10. Směsi Gaussovských rozdělení

  11. Redukce dimenze dat, Boosting

  12. Vícevrstvý perceptron

  13. Zápočet