Seminář strojového učení a modelování 1 - NAIL099

• Anglický název: Seminar of machine learning and modelling 1
• Zajišťuje: Katedra teoretické informatiky a matematické logiky (32-KTIML)
• Fakulta: Matematicko-fyzikální fakulta
• Platnost: od 2020
• Semestr: zimní
• E-Kredity: 2
• Rozsah, examinace: zimní s.:0/1, Z [HT]
• Počet míst: neomezen
• Minimální obsazenost: neomezen
• 4EU+: ne
• Virtuální mobilita / počet míst pro virtuální mobilitu: ne
• Stav předmětu: vyučován
• Jazyk výuky: čeština, angličtina
• Způsob výuky: prezenční
• Další informace: http://ai.ms.mff.cuni.cz/~sui/
• Poznámka: povolen pro zápis po webu
• Garant: prof. RNDr. Ing. Martin Holeňa, CSc.
• Vyučující: prof. RNDr. Ing. Martin Holeňa, CSc.
• Třída: Informatika Mgr. - volitelný
• Kategorizace předmětu: Informatika > Informatika, Aplikační software, Počítačová grafika a geometrie, Databázové systémy, Didaktika informatiky, Diskrétní matematika, Předměty širšího základu, Předměty obecného základu, Počítačová a formální lingvistika, Optimalizace, Programování, Softwarové inženýrství, Teoretická informatika, Teoretická informatika

Anotace

čeština

Seminář strojového učení a modelování se zabývá metodami strojového učení a modelování na základě dat. Na semináři se střídají vystoupení diplomantů a doktorandů z MFF, FJFI a FEL a zvanými přednáškami vědeckých pracovníků z této oblasti, příležitostně i zahraničních návštěv. Vítáme ale i studenty, kteří mají chuť poreferovat o nějaké zajímavé knížce nebo článku z oblasti strojového učení či modelování na základě dat.

Poslední úprava: T_KTI (10.05.2010)

angličtina

Seminar of machine learning and modelling is oriented to methods of machine learning and modelling based on data. Work of Mgr. and PhD. students, lectures of researchers and occasionally invided lectures of foreign visitors from this area are presented. We invite also students, which want to refere about some book or paper in area of machine learning or modelling based on data.

Poslední úprava: T_KTI (10.05.2010)

Cíl předmětu

čeština

Umožnit navazování a udržování kontaktů mezi diplomanty a doktorandy z MFF a ČVUT pracujícími na tématech z oblastí strojové učení a modelování na základě dat. Zprostředkovat jim výměnu zkušeností mezi sebou i s vědeckými pracovníky z těchto oblastí zvanými na seminář. Poskytnout jim feedback a inspirující nápady.

Poslední úprava: Holeňa Martin, prof. RNDr. Ing., CSc. (29.06.2019)

angličtina

Enable coming into and keeping contacts between master and PhD students from the Faculty of Mathematics and Physics and from the Czech Technical University working on the topics in the areas machine learning and data-driven modelling. Mediate the exchange of experience between them and with scientists from those areas invited to the seminar. Provide them feedback and inspiring ideas.

Poslední úprava: Holeňa Martin, prof. RNDr. Ing., CSc. (29.06.2019)

Podmínky zakončení předmětu

čeština

K získání zápočtu za tento předmět stačí pasivní účast na všech seminářích (s výjimkou omluvené neúčasti), avšak ve dvou různých semestrech. Tyto semestry nemusí být po sobě následující, může mezi nimi být i delší časový odstup.

Poslední úprava: Holeňa Martin, prof. RNDr. Ing., CSc. (28.12.2022)

angličtina

For this course to be credited, it is sufficient to attend all seminars (except excused absence), but during two different terms. Those terms do not need to be subsequent, there can be even a longer time between them.

Poslední úprava: Holeňa Martin, prof. RNDr. Ing., CSc. (28.12.2022)

Literatura

čeština

Vzhledem k tomu, že přednášející na semináři referují právě probíhající výzkum, není k němu ještě žádná publikovaná literatura.

Poslední úprava: Holeňa Martin, prof. RNDr. Ing., CSc. (02.11.2019)

angličtina

Because the speakers at the seminar are talking about their ongoing research, there is not yet any published literature to it.

Poslední úprava: Holeňa Martin, prof. RNDr. Ing., CSc. (02.11.2019)

Sylabus

čeština

Seminář strojového učení a modelování se schází jednou za dva týdny v rozsahu 2 vyučovacích hodin. Níže uvedené příklady témat dokumentují, čím se účastníci semináře zabývali v minulých letech, v žádném případě není myšlený jako omezení pro budoucí účastníky. Vítána jsou všechna témata, která nějakým způsobem souvisí se strojovým učením nebo modelováním na základě dat.

Příklady témat probíraných na semináři

Učení pravidel z dat, učení booleovských a fuzzy pravidel.

Asociační a klasifikační pravidla.

Induktivní inference, induktivní logické programování.

Případové učení, transduktivní inference.

Statistické učení, PAC učení.

Shlukování na základě podobnosti, shlukování samoorganizací.

Evoluční učení, evoluční získávání pravidel z dat.

Genetické algoritmy, genetické programování.

Evoluční algoritmy založené na diferenční evoluci a odhadech rozdělení pravděpodobnosti.

Učení umělých neuronových sítí (s učitelem i bez učitele).

Perceptrony a vícevrstvé perceptrony.

Neuronové sítě s radiálními bázovými funkcemi.

Samoorganizující mapy, kombinování neuronových sítí a evolučních algoritmů.

Klasifikace a regrese pomocí opěrných vektorů (support vector machines).

Hierarchické regresní modely.

Rozhodovací stromy pro klasifikaci a regresi.

Kombinování rozhodovacích stromů do náhodných lesů.

Obecné metody kombinování klasifikátorů, ensemblové metody.

Fuzzy aggregace klasifikátorů, fuzzy klasifikace.

Obecné metody kombinování regresních modelů, spolehlivost predikce.

Vizualizace dat, vizualizace modelů zkonstruovaných na základě dat.

Aplikace metod strojového učení ve fyzice, chemii, biologii a počítačových hrách.

Aplikace modelů získávaných z dat v přírodních vědách a v technice.

Poslední úprava: Holeňa Martin, prof. RNDr. Ing., CSc. (18.06.2019)

angličtina

The following list of themas is about interests of lecturers from previous years, but does not limit future themas. Invited are all themas relevant to machine learning and modelling based on data.

Examples of previous themas:

Learning of ruled from data, learning of boolean anf fuzzy rules.

Association and clasification rules.

Inductive inference, inductive logic programming.

Case-based study, transductive inference.

Statistical learning, PAC learning.

Clustering based on similarity, clustering using self-organisation.

Evolutional learning, evolutional extraction of rules from data.

Genetic algorithms, genetic programing.

Evolutional algorithms based on differential evolution and on estimations of distibution.

Learning of artificial neural nets (with and without supervisor).

Perceptrons and multilayered perceptrons.

Neuron nets with radial basis functions.

Self-organising maps, combining of neuron nets and evolution algorithms.

Clasification and regression using support vector machines.

Hierarchical regression models.

Decision trees for classification and regression.

Combining of decision trees to random forests.

General methods of combining classifiers, ensemble methods.

Fuzzy aggregation of classifiers, fuzzy classification.

General methods of combining regression models, reliability of prediction.

Data visualization, visualization of models constructed from data.

Applications of machine learning methods in physics, chemistry, biology and computer games.

Application of models extracted from data in natural and technical sciences.

Poslední úprava: T_KTI (10.05.2010)