Detail předmětu

Neuronové sítě a strojové učení

FSI-VSC Ak. rok: 2025/2026 Letní semestr

Předmět poskytuje úvod do teorie a metod strojového učení se zaměřením na jejich aplikaci při řešení klasifikačních, regresních a shlukovacích úloh.

Garant předmětu

doc. Ing. Pavel Škrabánek, Ph.D.

Zajišťuje ústav

Ústav automatizace a informatiky

Výsledky učení předmětu

Prerekvizity

Předpokládá se znalost základních souvislostí ze statistiky, optimalizace a programování.

Plánované vzdělávací činnosti a výukové metody

Způsob a kritéria hodnocení

Znalosti a dovednosti jsou ověřovány zápočtem a zkouškou. Požadavky pro zápočet: zpracování zadaných úloh. Účast na přednáškách je doporučená, účast na cvičeních je povinná. Cvičení, která nemůže student absolvovat v řádné termínu je možno nahradit v termínu náhradním. Zkouška je ústní a pokrývá celé probrané učivo.

Jazyk výuky

čeština

Cíl

Cílem předmětu je seznámit studenty s metodami strojového učení a jejich aplikacemi na klasifikaci, regresi a shlukování. Studenti se seznámí parametrickými i neparametrickými klasifikačními a regresními modely, i klíčovými koncepty, jako jsou metriky chyb, regularizace, křížová validace, gradientní sestup a moderní přístupy, včetně boostingu a směsí Gaussovských rozdělení. Předmět propojuje teorii s praxí pro návrh a implementaci modelů strojového učení.

Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky

Použití předmětu ve studijních plánech

Program N-AIŘ-P: Aplikovaná informatika a řízení, magisterský navazující
obor ---: bez specializace, 5 kredity, povinný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Osnova


  1. Úvod, učení s učitelem a bez učitele, regrese vs. klasifikace, rozdělení datové sady, metriky chyb, ztrátové funkce, křížová validace, přeučení, regularizace

  2. lineární regrese, metoda nejmenších čtverců, gradientní sestup, regularizovaná metoda nejmenších čtverců

  3. Lineární klasifikace, logistická regrese, regularizovaná logistická regrese

  4. Neparametrické modely, metoda nejbližších sousedů

  5. Rozhodovací stromy pro klasifikační a regresní problémy

  6. Generativní modely pro klasifikaci, Bayesův klasifikátor, Gaussovská diskriminační analýza

  7. Naivní Bayesův klasifikátor

  8. Stroj s podporou vektorů, jádrové funkce

  9. Shlukování, k-průměrové shlukování

  10. Směsi Gaussovských rozdělení

  11. Redukce dimenze dat, Boosting

  12. Matematický model neuronu, aktivační funkce, vícevrstvý perceptron, dopředná a zpětná propagace

  13. Dopředné jedno a vícevrstvé sítě neuronové sítě, rekurentní sítě, topologicky organizované neuronové sít

Cvičení s počítačovou podporou

26 hod., povinná

Osnova


  1. Seznámení se s programovým prostředím.

  2. Metoda nejmenších čtverců, a regularizovaná metoda nejmenších čtverců

  3. Lineární klasifikace, logistická regrese, regularizovaná logistická regrese

  4. Metoda nejbližších sousedů

  5. Rozhodovací stromy pro klasifikační a regresní problémy

  6. Bayesův klasifikátor, Gaussovská diskriminační analýza

  7. Naivní Bayesův klasifikátor

  8. Stroj s podporou vektorů

  9. k-průměrové shlukování

  10. Směsi Gaussovských rozdělení

  11. Redukce dimenze dat, Boosting

  12. Vícevrstvý perceptron

  13. Zápočet