O předmětu
Předmět je zaměřen na rozšíření znalostí z předmětu Strojové učení 1 (v angličtině). V předmětu budou vyučovány teoretické základy vybraných metod strojového učení a jejich reálné aplikace na případových studiích včetně interpretace výsledků.
Co se naučíš
Po úspěšném absolvování budou studenti schopni rozumět principům vybraných přístupů strojového učení (kombinování modelů (ensemble learning), mělké neuronové sítě). Dále budou rozumět postupům umožňujícím interpretaci výsledků těchto modelů.
Obsah předmětu
- Principy ensemblového modelování v regresních a klasifikačních úlohách 2. Bootstrap a jeho využití ve strojovém učení 3. Support vector machines 4. Ztrátové funkce a jejich optimalizace 5. Optimalizace hyper-parametrů 6. Boosting a expanze báze 7. Gradient boosting machine 8. Stochastic gradient boosting machine 9. Extreme gradient boosting 10. Neuron, aktivační funkce, váhy 11. Mělké neuronové sítě – architektura, trénování a optimalizace 12. Strojové učení a práce s chybějícími hodnotami 13. Kódování kategoriálních proměnných 14. Případové studie pro regresní úlohy 15. Případové studie pro klasifikační úlohy 16. Propenzitní modely a kalibrační křivky 17. Robustnost výsledků, bootstrap, nejistota ve výsledcích predikcí
Literatura
Základní:
Jak uspět v předmětu
Doporučená příprava:
- Pravidelná příprava během semestru místo drcení na zkoušku
- Přednáškové slidy a materiály dostupné přes Moodle VŠE (dl.vse.cz)
- Stará zkouška / typové otázky — zeptej se cvičícího nebo hledej na InSIS
- Studijní skupiny a sdílení poznámek
Na co si dát pozor: - Přečti si sylabus — co je povinná vs. doporučená literatura
- Podmínky zápočtu (zápočtové testy, projekty, docházka)
- Termíny zkoušek zapisovat včas — kapacita bývá omezená
Doporučené zdroje