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, pre
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.
Po úspěšném absolvování budou studenti schopni: - chápat algoritmy Support Vector Machines, Rozhodovací stromy, Random Forest, metody a úlohy učení bez učitele, principy a klíčové pojmy neuronových sítí a Deep Learningu, metodu trénování modelů Gradient Descent a nové generativní modely (transformery, diffusion modely) - řešit jednoduchý projekt strojového učení od začátku do konce, řešit úlohy binární a multiclass klasifikace a regrese pomocí neuronových sítí, řešit úlohy klasifikace obrázků a rozpoznávání obličejů, vytvořit doporučovací systém a vytvořit a natrénovat rekurentní neuronové sítě.
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: binární klasifikace nad strukturovanými daty 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, generování obrazů
Základní:
Používej Markdown: ## Nadpis, **tučně**, `kód`, - odrážky, > citace