Informační systém Vysoké školy polytechnické Jihlava
IS VŠPJ
Strojové učení
Studijní plán: Aplikovaná informatika - kombi, platný od ZS 2024/2025
| Předmět | Strojové učení (SU) |
|---|---|
| Garantuje | Katedra technických studií (KTS) |
| Garant | Ing. Jan Mittner, Ph.D. |
| Jazyk | česky |
| Počet kreditů | 3 |
| Prezenční studium | |
|---|---|
| Cvičení | 2 h |
| Kombinované studium | |
| Cvičení | 12 h |
| Studijní plán | Typ | Sem. | Kred. | Ukon. |
|---|---|---|---|---|
| Aplikovaná informatika - kombi, platný od ZS 2024/2025 | PV | 5 | 3 kr. | KZ |
| Aplikovaná informatika - platný od ZS 2024/2025 | PV | 5 | 3 kr. | KZ |
Sylabus
- Úvod do strojového učení
- hlavní pojmy, historie, současnost, algoritmy, typy úloh, výzvy a problémy
- prakticky: lineární regrese
- Základní praktiky strojového učení
- doporučený pracovní postup při řešení úloh strojového učení
- prakticky: projekt strojového učení od začátku do konce
- Klasifikace entit
- binární a multiclass klasifikace
- prakticky: rozpoznávání psaných číslic
- Trénování modelů
- metoda Gradient Descent
- prakticky: Titanic dataset
- Pokročilé metody klasifikace
- Support Vector Machines, Rozhodovací stromy, Random Forest
- prakticky: SPAM filtr
- Učení bez učitele
- shlukování, redukce dimenzionality, detekce anomalit
- prakticky: doporučovací systém
- Neuronové sítě a Deep Learning
- principy a klíčové pojmy, framework Keras
- prakticky: binární a multiclass klasifikace, regrese
- Deep Learning pro počítačové vidění
- konvoluční neuronové sítě
- prakticky: rozpoznávání objektů v obrazu, rozpoznávání obličejů
- Deep Learning pro texty a sekvenční data
- word embeddings, předtrénované modely
- prakticky: rekurentní neuronové sítě
- Generativní Deep Learning
- variační autoenkodéry, GAN, transformery
- prakticky: generování textu, přenos stylu obrazů, generování obrazů
Doporučená literatura
- GÉRON, A., Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3rd Edition, O'Reilly, 2022, 9781098125967
- CHOLLET, F., Deep learning v jazyku Python - 2., rozšířené vydání, Praha, Grada Publishing, 2023, 978-80-271-5133-2
- Studijní opora v LMS Moodle.
Anotace
Cílem předmětu je seznámit studenty s aktuálním stavem poznání ve vybraných oblastech strojového učení a představit jim algoritmy a jejich praktické aplikace v dostupných nástrojích. Praktické aplikace jsou zaměřeny na úlohy, jako je například rozpoznávání psaného textu, analýza sentimentu textu, predikce cen nemovitostí, předpověď teploty z časové řady meteo údajů, prediktivní psaní textu, rozpoznávání objektů v obrazu nebo generativní textové a obrazové úlohy.
Znalosti: Po úspěšném absolvování jsou studenti schopni vysvětlit principy vybraných algoritmů strojového učení.
Dovednosti: Vybrané algoritmy strojového učení jsou studenti schopni prakticky aplikovat ve vhodných úlohách.
Obecné způsobilosti: Studenti se orientují v oblasti strojového učení a jsou schopní samostatně řešit běžné úlohy, se kterými se mohou setkat ve svém profesním životě. Student umí vhodně interpretovat získaní znalosti.