PředmětyPředměty(verze: 945)
Předmět, akademický rok 2023/2024
   Přihlásit přes CAS
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
Způsob výuky: prezenční
Garant: Mgr. Roman Neruda, CSc.
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 -
Poslední úprava: T_KTI (05.05.2015)
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.
Cíl předmětu -
Poslední úprava: T_KTI (05.05.2015)

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.

Podmínky zakončení předmětu -
Poslední úprava: Mgr. Martin Pilát, Ph.D. (13.10.2017)

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

Literatura -
Poslední úprava: T_KTI (05.05.2015)

[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.

Sylabus -
Poslední úprava: T_KTI (05.05.2015)

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

 
Univerzita Karlova | Informační systém UK