Aplikace metod výpočetní inteligence - NAIL109

• Anglický název: Applications of Computational Intelligence Methods
• Zajišťuje: Katedra teoretické informatiky a matematické logiky (32-KTIML)
• Fakulta: Matematicko-fyzikální fakulta
• Platnost: od 2020
• Semestr: zimní
• E-Kredity: 5
• Rozsah, examinace: zimní s.:0/4, Z [HT]
• Počet míst: neomezen
• Minimální obsazenost: neomezen
• 4EU+: ne
• Virtuální mobilita / počet míst pro virtuální mobilitu: ne
• Stav předmětu: vyučován
• Jazyk výuky: čeština
• Způsob výuky: prezenční
• Garant: Mgr. Roman Neruda, CSc.; doc. Mgr. Martin Pilát, Ph.D.
• Vyučující: Mgr. Roman Neruda, CSc.; doc. Mgr. Martin Pilát, Ph.D.
• 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

Anotace

čeština

Představení moderních metod z oblasti výpočetní inteligence (evoluční algoritmy, strojové učení a příbuzné obory) a jejich aplikace na řešení reálných problémů. Předpokládá se znalost základů strojového učení, neuronových sítí a evolučních algoritmů.

Poslední úprava: T_KTI (05.05.2015)

angličtina

Introduction of modern computational intelligence methods (evolutionary algorithms, machine learning and related fields) and their application to solving of real problems. Basic knowledge of machine learning, neural networks and evolutionary algorithms is required.

Poslední úprava: T_KTI (05.05.2015)

Cíl předmětu

čeština

Naučit pokročilé metody kombinující přístupy evolučních algoritmů, neuronových sítí a dalších metod výpočetní inteligence. Rozšířit poznatky ze základních přednášek o neuronových sítích, strojovém učení, dobývání znalostí a evolučních algoritmú. Důraz bude kladen na práci s reálnými daty a na využití kombinace různých přístupů při řešení problémů z oblastí optimalizace, učení a modelování.

Poslední úprava: T_KTI (05.05.2015)

angličtina

Teach advanced methods combining evolutionary algorithms, neural networks, and other computational intelligence methods. Deepen the knowledge from the introductory courses on neural networks, machine learning, data mining and evolutionary algorithms. The seminar will be focused on working with real data and the cooperation of various methods while solving difficult problems from the areas of optimization, learning and modelling.

Poslední úprava: T_KTI (05.05.2015)

Podmínky zakončení předmětu

čeština

Podmínkou pro zakončení předmětu je získání zápočtu, který je udělován za prezentaci skupinových projektů vypracovaných na semináři.

Poslední úprava: Pilát Martin, doc. Mgr., Ph.D. (13.10.2017)

angličtina

In order to pass the course, the student must obtain the credit, which is given for a presentation of group project created as part of the seminar.

Poslední úprava: Pilát Martin, doc. Mgr., Ph.D. (13.10.2017)

Literatura

čeština

[1] Trevor Hastie, Robert Tibshirani, Jerome Friedman. The elements of statistical learning. Vol. 2, no. 1., Springer, 2009.

[2] Alex A. Freitas. Data Mining and Knowledge Discovery with Evolutionary Algorithms, Springer, 2002.

[3] Yoshua Bengio, Ian J. Goodfellow, and Aaron Courville. Deep Learning. MIT Press, 2015 (in print), [online: http://www.iro.umontreal.ca/~bengioy/dlbook]

[4] Charu C. Aggarwal: Data Mining - The Textbook. Springer 2015, ISBN 978-3-319-14141-1

[5] Thomas Bäck, Christophe Foussette, and Peter Krause. Contemporary Evolution Strategies. Springer Science & Business Media, 2013.

[6] P. Brazdil, C. Giraud Carrier, C. Soares, R. Vilalta: Metalearning. Springer, 2009.

Poslední úprava: T_KTI (05.05.2015)

Sylabus

čeština

Předmět se zaměří na prohloubení znalostí z následujících oblastí s důrazem na jejich aplikace na reálná data, např. z různých aktuálních soutěží (Kaggle, konferenční soutěže, apod.)

Metaučení - výběr modelů, prohledávání prostoru parametrů (grid search, evoluční algoritmy), ansámbly (bagging, boosting, stacking, blending)

Kombinace evolučních algoritmů a strojového učení - náhradní modelování; hybridní modely, vztah lokálního a globálního prohledávání, memetické algoritmy; využití evoluce v metaučení

Pokročilé metody evolučních algoritmů - CMA-ES, práce s omezujícími podmínkami

Jádrové metody - support vector machines (klasifikace, regrese), jádrové neuronové sítě (Radial basis function networks, kernel networks)

Semi-supervised learning - samoučení, generativní modely, Semi-Supervised Support Vector Machines, algoritmy založené na grafech (graph-based methods)

Pokročilé modely neuronových sítí - Echo State Network, Long Short Term Memory Network, autoenkodéry, konvoluční sítě, restricted boltzmann machines, deep networks

Poslední úprava: T_KTI (05.05.2015)

angličtina

The subject aims at deepening of the knowledge from the following areas with the focus on their application to real data from different competitions (e.g. Kaggle, conference competitions, …).

Metalearning - model selection, hyper-parameter tuning (grid search, evolutionary algorithms), ensembles (bagging, boosting, stacking, blending)

Combination of evolutionary algorithms and machine learning - surrogate modelling; hybrid models, relation between local and global search, memetic algorithms; evolution and metalearning

Advanced evolutionary computing - CMA-ES, constrained optimization

Kernel methods - support vector machines (classification, regression), kernel neural networks, Radial Basis Function Networks

Semi-supervised learning - self-learning, generative models, Semi-Supervised Support Vector Machines, graph-based methods

Advanced models of neural networks - Echo State Network, Long Short Term Memory Network, autoencoders, convolution networks, Boltzmann machines, deep networks

Poslední úprava: T_KTI (05.05.2015)