The course is focused on practical exercises with applying
machine learning techniques to real data. Students are expected
to be familiar with basic machine learning concepts.
Last update: T_UFAL (13.05.2014)
Kurs je zaměřen na získání praktických zkušeností s aplikací technik strojového učení na reálná data. U studentů je
očekávána znalost základních pojmů z oblasti strojového učení. V přednášce jsou stručně zopakovány vybrané
metody klasifikace, regrese a shlukové analýzy a dále probrány některé přístupy ke zvyšování jejich úspěšnosti,
například regularizace, transformace množin rysů, diagnostika. Cvičení jsou zaměřena jak na vlastní
implementace několika metod strojového učení, tak na seznámení se s existujícími implementacemi v jazyce
Python.
Course completion requirements -
Last update: doc. Ing. Zdeněk Žabokrtský, Ph.D. (13.06.2019)
To pass the course, you will need to submit homework assignments and do a written test.
Homework assignments
Assignments will be set in the class and specified on the website.
To get the credit, you need to get at least 50% of the total achievable points for the assignments.
If you miss the deadline, there is a second deadline in 2 weeks, but your points for the assignment will be multiplied by 0.5; after the second deadline, you get 0 points.
Test
There will be a written test at the end of the semester.
To pass the exam, you need to get at least 50% of the total points from the test.
Grading
Your grade is based on the average of your performance; the test and the homework assignments are weighted 1:1.
≥ 90%: grade 1 (excellent)
≥ 70%: grade 2 (very good)
≥ 50%: grade 3 (good)
< 50%: grade 4 (fail)
Last update: doc. Ing. Zdeněk Žabokrtský, Ph.D. (13.06.2019)
K absolvování předmětu je nutno průběžně odevzdávat domácí úkoly a absolvovat závěrečný zkouškový písemný test.
Domácí úkoly
Úkoly budou specifikovány na hodině, zadání budou k dispozici také na webové stránce předmětu.
K udělení zápočtu je nutno získat celkově alespoň 50% možných bodů z úkolů.
Každý úkol má určený termín, do kterého musí být odevzdán. Při odevzdání úkolu se zpožděním méně než dva týdny budou získané body vyděleny dvěma. Po ještě pozdějším odevzdání úkolu za něj nebudou přiděleny žádné body.
Závěrečný písemný test
K absolvování zkoušky je nutno získat alespoň 50% bodů ze závěrečného zkouškového písemného testu.
Známkování
Celková známka vyplyne z průměru bodů získaných z domácích úkolů a ze závěrečného testu.
≥ 90%: známka 1
≥ 70%: známka 2
≥ 50%: známka 3
< 50%: známka 4
Literature -
Last update: doc. Mgr. Barbora Vidová Hladká, Ph.D. (25.01.2019)
Christopher M. Bishop: Pattern Recognition and Machine Learning. Springer Verlag, 2006
Trevor Hastie, Robert Tibshirani, Jerome Friedman: The Elements of Statistical
Learning. Springer Verlag, 2001.
Last update: doc. Mgr. Barbora Vidová Hladká, Ph.D. (25.01.2019)
Christopher M. Bishop: Pattern Recognition and Machine Learning. Springer Verlag. 2006.
Trevor Hastie, Robert Tibshirani, Jerome Friedman: The Elements of Statistical Learning. Springer Verlag. 2001.
Syllabus -
Last update: T_UFAL (09.05.2012)
implementation of basic ML methods for classification and regression
learning to use selected ML libraries
experimental comparison of performance characteristics of different classification
methods
feature engineering
ensemble techniques
implementation of basic techniques of unsupervised ML
Last update: T_UFAL (09.05.2012)
vlastní implementace základních metod pro klasifikaci a regresi
seznámení s vybranými knihovnami pro ML
experimentální srovnávání charakteristik různých klasifikačních metod
