|
Lecturer(s)
|
-
Komínková Oplatková Zuzana, prof. Ing. Ph.D.
-
Šenkeřík Roman, prof. Ing. Ph.D.
|
|
Course content
|
Appropriate methods in the field of artificial intelligence to solve complex problems, sub-area of classifiers, methods for regression analysis and data analysis, datamining. Course contents: Artificial neural networks, support vector machines method, classification and regression methods using probabilistic computation, naive Bayesian classifier, Bayesian networks, stastistical learning, k-NN method, decision and regression trees, ensemble methods, multicriteria decision analysis, machine learning, hybridized methods, e.g. with fuzzy theory and modelling, further supervised learning, unsupervised learning, semisupervised learning, datamining, cluster analysis, association analysis.
|
|
Learning activities and teaching methods
|
|
Individual work of students
|
| prerequisite |
|---|
| Knowledge |
|---|
| Knowledge from areas: Mathematics Fundamentals of Informatics Theory of informatics Artificial and computational intelligence |
| Knowledge from areas: Mathematics Fundamentals of Informatics Theory of informatics Artificial and computational intelligence |
| learning outcomes |
|---|
| Popsat metody z oblasti strojového učení a klasifikátorů. |
| Popsat metody z oblasti strojového učení a klasifikátorů. |
| Popsat principy činnosti, způsoby trénování a validace různých typů umělých neuronových sítí, hlubokého učení a metody podpůrných vektorů. |
| Popsat principy činnosti, způsoby trénování a validace různých typů umělých neuronových sítí, hlubokého učení a metody podpůrných vektorů. |
| Orientovat se v pravděpodobnostních klasifikátorech, Bayesovských sítích, statistickém učení. |
| Orientovat se v pravděpodobnostních klasifikátorech, Bayesovských sítích, statistickém učení. |
| Vyjmenovat a vysvětlit techniky dataminingu a datové analýzy. |
| Vyjmenovat a vysvětlit techniky dataminingu a datové analýzy. |
| Rozlišovat techniky supervised (s učitelem), unsupervised (bez učitele), semisupervised (s poloučitelem) a s reinforcement learning (s posilovaným učením). |
| Rozlišovat techniky supervised (s učitelem), unsupervised (bez učitele), semisupervised (s poloučitelem) a s reinforcement learning (s posilovaným učením). |
| Describe methods in the field of machine learning and classifiers. |
| Describe methods in the field of machine learning and classifiers. |
| Describe the principles of operation, training and validation methods for different types of artificial neural networks, deep learning and support vector machine methods. |
| Describe the principles of operation, training and validation methods for different types of artificial neural networks, deep learning and support vector machine methods. |
| Orient with probabilistic classifiers, Bayesian networks, statistical learning. |
| Orient with probabilistic classifiers, Bayesian networks, statistical learning. |
| List and explain the techniques of datamining and data analysis. |
| List and explain the techniques of datamining and data analysis. |
| Distinguish between supervised, unsupervised, semi-supervised and reinforcement learning techniques. |
| Distinguish between supervised, unsupervised, semi-supervised and reinforcement learning techniques. |
| Skills |
|---|
| Navrhnout správný typ klasifikační či regresní metody na zadaný úkol. |
| Navrhnout správný typ klasifikační či regresní metody na zadaný úkol. |
| Navrhnout a realizovat jednoduché aplikace řešené pomocí klasifikačních a regresních metod. |
| Navrhnout a realizovat jednoduché aplikace řešené pomocí klasifikačních a regresních metod. |
| Sestavit experiment pro řešení pomocí klasifikačních a regresních metod ve vlastním výzkumu. |
| Sestavit experiment pro řešení pomocí klasifikačních a regresních metod ve vlastním výzkumu. |
| Zdůvodnit a objasnit výsledky s využitím technik strojového učení - statistické učení, rozhodovací stromy, vícekriteriální analýza, metoda podpůrných vektorů, neuronové sítě, expertní systémy. |
| Zdůvodnit a objasnit výsledky s využitím technik strojového učení - statistické učení, rozhodovací stromy, vícekriteriální analýza, metoda podpůrných vektorů, neuronové sítě, expertní systémy. |
| Aplikovat techniky dataminingu, shlukové analýzy, DBSCAN na data. |
| Aplikovat techniky dataminingu, shlukové analýzy, DBSCAN na data. |
| Navrhne způsoby přípravy dat pro experimenty. |
| Navrhne způsoby přípravy dat pro experimenty. |
| Propose the correct type of classification or regression method for the given task. |
| Propose the correct type of classification or regression method for the given task. |
| Design and implement simple applications solved using classification and regression methods. |
| Design and implement simple applications solved using classification and regression methods. |
| Set up an experiment to solve using classification and regression methods in his/her own research. |
| Set up an experiment to solve using classification and regression methods in his/her own research. |
| Justify and explain results using machine learning techniques - statistical learning, decision trees, multi-criteria analysis, support vector machine, neural networks, expert systems. |
| Justify and explain results using machine learning techniques - statistical learning, decision trees, multi-criteria analysis, support vector machine, neural networks, expert systems. |
| Suggests ways of preparing data for experiments. |
| Suggests ways of preparing data for experiments. |
| teaching methods |
|---|
| Knowledge |
|---|
| Individual work of students |
| Individual work of students |
| assessment methods |
|---|
| Analysis of a presentation given by the student |
| Analysis of a presentation given by the student |
| Background research |
| Background research |
| Preparation of a presentation, giving a presentation |
| Preparation of a presentation, giving a presentation |
|
Recommended literature
|
-
Bishop, Christopher M. Pattern recognition and machine learning. New York : Springer, 2006. ISBN 0-387-31073-8.
-
JAMES, G., WITTEN, D., HASTIE, T., TIBSHIRANI, R. An introduction to statistical learning: with applications in R. New York: Springer, 2013. ISBN 978-1-4614-7137-0.
-
Kacprzyk J, Pedrycz, W. Springer handbook of computational intelligence. 2015.
-
KRUSE, Rudolf, Christian BORGELT a Christian BRAUNE. Computational Intelligence: A methodological introduction. New York, NY: Springer Berlin Heidelberg, 2016. ISBN 978-1447172949.
-
LAM H-K., LING S. H., NGUYEN H. T. Computational intelligence and its applications: evolutionary computation, fuzzy logic, neural network and support vector machine techniques. 2012. ISBN 978-1-84816-691-2.
-
Luger, George F. Artificial intelligence : structures and strategies for complex problem solving. 6th ed. Boston : Pearson : Addison Wesley, 2009. ISBN 978-0-321-54589-3.
-
Mařík V. Štěpánková O., Lažanský J. Umělá inteligence I-VI. Academia, Praha, 1993.
-
Russell, Stuart J. Artificial intelligence : a modern approach. 3rd ed. Upper Saddle River : Prentice Hall, 2010. ISBN 978-0-13-604259-4.
-
VOLNÁ, Eva. Umělá inteligence: rozpoznávání vzorů v dynamických datech. Praha: BEN - technická literatura, 2014. ISBN 978-80-7300-497-2.
-
WITTEN, I. H. Data mining: practical machine learning tools and techniques. Amsterdam, Elsevier, 2017. ISBN 978012804291.
-
Zelinka I., Oplatková Z., Šeda M., Ošmera P., Včelař F. Evoluční výpočetní techniky, principy a aplikace. 2009. ISBN 978-80-7300-218-3.
|