|
Vyučující
|
-
Komínková Oplatková Zuzana, prof. Ing. Ph.D.
-
Šenkeřík Roman, prof. Ing. Ph.D.
|
|
Obsah předmětu
|
Metody z oblasti umělé inteligence pro řešení komplexních problémů, podoblast klasifikátorů, metod pro regresní analýzu a datovou analýzu, datamining. Obsah přemětu: Umělé neuronové sítě, metoda podpůrných vektorů (support vector machines), klasifikační a regresní metody s využitím pravděpodobnostního počítání, naivní bayesovský klasifikátor, Bayesovské sítě, stastistické učení, k-NN metoda, rozhodovací a regresní stromy, ensemble metody, vícekriteriální rozhodovací analýza, strojové učení, hybridizované metody např. s fuzzy teorií, dále učení supervised (s učitelem), učení unsupervised (bez učitele), učení semisupervised, datamining, shluková analýza, asociační analýza.
|
|
Studijní aktivity a metody výuky
|
|
Individuální práce studentů
|
| Předpoklady |
|---|
| Odborné znalosti |
|---|
| Znalosti z oblastí: Matematika Základy informatiky Teoretická informatika Umělá a výpočetní inteligence |
| Znalosti z oblastí: Matematika Základy informatiky Teoretická informatika Umělá a výpočetní inteligence |
| Výsledky učení |
|---|
| 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. |
| Odborné dovednosti |
|---|
| 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. |
| Vyučovací metody |
|---|
| Odborné znalosti |
|---|
| Individuální práce studentů |
| Individuální práce studentů |
| Hodnotící metody |
|---|
| Analýza prezentace studenta |
| Analýza prezentace studenta |
| Rešerše |
| Rešerše |
| Příprava a přednes prezentace |
| Příprava a přednes prezentace |
|
Doporučená literatura
|
-
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.
|