|
|
||
Poslední úprava: T_KTI (10.05.2010)
|
|
||
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.
|
|
||
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. |
|
||
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. |
|
||
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. |