|
|
|
||
Poslední úprava: doc. RNDr. Martin Branda, Ph.D. (11.12.2020)
|
|
||
Poslední úprava: RNDr. Jitka Zichová, Dr. (06.05.2021)
Úvod do základních principů strojového učení a jeho využití. |
|
||
Poslední úprava: RNDr. Václav Kozmík, Ph.D. (09.02.2022)
Detaily jsou na webové stránce: https://www2.karlin.mff.cuni.cz/~kozmikk/DS2.php |
|
||
Poslední úprava: RNDr. Václav Kozmík, Ph.D. (11.12.2020)
Yoshua Bengio, Ian Goodfellow, Aaron Courville: Deep learning, MIT Press, In preparation. Jürgen Schmidhuber: Deep learning in neural networks: An overview, Neural networks 61 (2015): 85-117. Friedman, J. H. (March 1999): Stochastic Gradient Boosting, Computational Statistics and Data Analysis, vol. 38, pp. 367-378 |
|
||
Poslední úprava: RNDr. Jitka Zichová, Dr. (06.05.2021)
Přednáška + cvičení. |
|
||
Poslední úprava: RNDr. Václav Kozmík, Ph.D. (21.04.2022)
Zkouška bude probíhat formou řešení praktické úlohy v jazyce Python a diskuze nad zvoleným algoritmem, teoretických základech a výsledcích na konkrétním problému. Studenti dostanou k dispozici datovou sadu a popis problému, který je potřeba prediktivním modelem vyřešit. |
|
||
Poslední úprava: RNDr. Václav Kozmík, Ph.D. (11.12.2020)
Náplň předmětu: • úvod do strojového učení, motivace, příklady využití • obecné postupy ve strojovém učení: rozdělení dat do trénovací a validační množiny, over-fitting, regularizace • metody využívající rozhodovací stromy: rozhodovací stromy, náhodné lesy, gradientní boosting • metody požívající neuronové sítě: jednoduché neuronové sítě, konvoluční neuronové sítě, rekurentní neuronové sítě • shluková analýza – supervised vs unsupervised • ostatní klasifikační metody – metoda opěrných nadrovin, naivní bayseovský klasifikátor
Náplň cvičení: • cvičení bude probíhat na počítačích a bude se využívat jazyk Python • jednotlivé metody strojového učení budeme aplikovat v praxi na reálných datech |
|
||
Poslední úprava: doc. Ing. Marek Omelka, Ph.D. (19.11.2021)
Necessary:
Good to know:
|