PředmětyPředměty(verze: 945)
Předmět, akademický rok 2023/2024
   Přihlásit přes CAS
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
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.
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 -
Poslední úprava: T_KTI (10.05.2010)
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.
Cíl předmětu -
Poslední úprava: prof. RNDr. Ing. Martin Holeňa, CSc. (29.06.2019)

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.

Podmínky zakončení předmětu -
Poslední úprava: prof. RNDr. Ing. Martin Holeňa, CSc. (28.12.2022)

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.

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

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

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

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.

 
Univerzita Karlova | Informační systém UK