|
Lecturer(s)
|
-
Mirshahi Sina, MSc.
-
Viktorin Adam, Ing. Ph.D.
-
Komínková Oplatková Zuzana, prof. Ing. Ph.D.
|
|
Course content
|
1. Introduction to machine learning and data preprocessing for intelligent computational methods. 2. Introduction to machine learning and softcomputing - k-nn, boosting. 3. Statistic learning, Naive Bayesian classifier, Bayesian networks. 4. Decision trees. Random forest (bootstrap samples, bagging). 5. Multi-criteria decision analysis. 6. Support vector machines. 7. Fuzzy theory. 8. Text mining, web data mining. 9. Semantic analysis. 10. Social network analysis. 11. Natural language processing. 12. Outliers - analysis and detection. 13. Conflict machine learning in cybersecurity. 14. Consulting class, exam topics.
|
|
Learning activities and teaching methods
|
|
Lecturing, Exercises on PC, Individual work of students
|
| prerequisite |
|---|
| Knowledge |
|---|
| Knowledge from areas: Mathematics Fundamentals of Informatics AI |
| Knowledge from areas: Mathematics Fundamentals of Informatics AI |
| learning outcomes |
|---|
| vyjmenovat a popsat klíčové metody strojového učení, včetně k-nn, rozhodovacích stromů, metody podpůrných vektorů (SVM), Bayesovských sítí a fuzzy modelování. |
| vyjmenovat a popsat klíčové metody strojového učení, včetně k-nn, rozhodovacích stromů, metody podpůrných vektorů (SVM), Bayesovských sítí a fuzzy modelování. |
| orientovat se v metodách softcomputingu, strojového učení, text miningu se zaměřením na kyberbezpečnost. |
| orientovat se v metodách softcomputingu, strojového učení, text miningu se zaměřením na kyberbezpečnost. |
| orientovat se v technikách pro čištění, normalizaci a transformaci dat, aby byla vhodná pro analýzu strojovým učením. |
| orientovat se v technikách pro čištění, normalizaci a transformaci dat, aby byla vhodná pro analýzu strojovým učením. |
| definovat a rozlišovat mezi různými klasifikačními a prediktivními modely a vysvětlit jejich použití v praxi. |
| definovat a rozlišovat mezi různými klasifikačními a prediktivními modely a vysvětlit jejich použití v praxi. |
| popsat, jak lze strojové učení aplikovat pro detekci hrozeb, analýzu malwaru a další oblasti kybernetické bezpečnosti. |
| popsat, jak lze strojové učení aplikovat pro detekci hrozeb, analýzu malwaru a další oblasti kybernetické bezpečnosti. |
| popsat způsoby práce jazykových modelů, generativní AI a možnosti rozpoznání. |
| popsat způsoby práce jazykových modelů, generativní AI a možnosti rozpoznání. |
| list and describe key machine learning methods, including k-nn, decision trees, support vector machines (SVMs), Bayesian networks, and fuzzy modeling. |
| list and describe key machine learning methods, including k-nn, decision trees, support vector machines (SVMs), Bayesian networks, and fuzzy modeling. |
| orient in the softcomputing, machine learning, text mining methods with a focus on cybersecurity. |
| orient in the softcomputing, machine learning, text mining methods with a focus on cybersecurity. |
| orient in techniques for cleaning, normalising and transforming data to make it suitable for analysis by machine learning. |
| orient in techniques for cleaning, normalising and transforming data to make it suitable for analysis by machine learning. |
| define and distinguish between different classification and predictive models and explain their use in practice. |
| define and distinguish between different classification and predictive models and explain their use in practice. |
| describe how machine learning can be applied to threat detection, malware analysis, and other areas of cybersecurity. |
| describe how machine learning can be applied to threat detection, malware analysis, and other areas of cybersecurity. |
| describe how language models and generative AI work and its recognition possibilities. |
| describe how language models and generative AI work and its recognition possibilities. |
| Skills |
|---|
| navrhnout, implementovat a vyhodnocovat klasifikační modely, jako jsou rozhodovací stromy a SVM, pro řešení specifických problémů. |
| navrhnout, implementovat a vyhodnocovat klasifikační modely, jako jsou rozhodovací stromy a SVM, pro řešení specifických problémů. |
| používat naivní bayesovský klasifikátor a Bayesovské sítě nad vlastními daty. |
| používat naivní bayesovský klasifikátor a Bayesovské sítě nad vlastními daty. |
| provádět text mining a dolování webových dat, včetně sémantické analýzy a zpracování přirozeného jazyka. |
| provádět text mining a dolování webových dat, včetně sémantické analýzy a zpracování přirozeného jazyka. |
| navrhnout a implementovat modely strojového učení pro detekci a prevenci kybernetických hrozeb. |
| navrhnout a implementovat modely strojového učení pro detekci a prevenci kybernetických hrozeb. |
| aplikovat správné typy softcomputingových klasifikačních algoritmů na zadané úkoly. |
| aplikovat správné typy softcomputingových klasifikačních algoritmů na zadané úkoly. |
| realizovat jednoduché aplikace řešené pomocí metod strojového učení. |
| realizovat jednoduché aplikace řešené pomocí metod strojového učení. |
| design, implement and evaluate classification models, such as decision trees and SVMs, to solve specific problems. |
| design, implement and evaluate classification models, such as decision trees and SVMs, to solve specific problems. |
| use naive Bayesian classifier and Bayesian networks over own data. |
| use naive Bayesian classifier and Bayesian networks over own data. |
| Perform text mining and web data mining, including semantic analysis and natural language processing. |
| Perform text mining and web data mining, including semantic analysis and natural language processing. |
| design and implement machine learning models to detect and prevent cyber threats. |
| design and implement machine learning models to detect and prevent cyber threats. |
| apply the correct types of softcomputing classification algorithms to given tasks. |
| apply the correct types of softcomputing classification algorithms to given tasks. |
| implement simple applications solved using machine learning methods. |
| implement simple applications solved using machine learning methods. |
| teaching methods |
|---|
| Knowledge |
|---|
| Lecturing |
| Lecturing |
| Exercises on PC |
| Exercises on PC |
| Individual work of students |
| Individual work of students |
| assessment methods |
|---|
| Grade (Using a grade system) |
| Grade (Using a grade system) |
| Oral examination |
| Oral examination |
|
Recommended literature
|
-
AGGARWAL, Charu C. Data mining: the textbook. 2015. ISBN 978-3-319-14141-1.
-
ALPAYDIN, Ethem. Introduction to machine learning. The MIT Press, 2014. ISBN 9780262325745.
-
Brink H., Richards J.W., Fetherolf M. Real-world machine learning. 2017. ISBN 978-1-61729-192-0.
-
GOLDBERG, Yoav. Neural network methods for natural language processing. 2017. ISBN 978-1-68173-235-0.
-
IGNATOW G., MIHALCEA R. An introduction to text mining: research design, data collection, and analysis. 2018. ISBN 978-1-5063-3700-5.
-
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.
-
RUSSELL, Matthew A. Mining the social web: [analyzing data from Facebook, Twitter, LinkedIn, and other social media sites]. 1st ed. Sebastopol: O'Reilly, 2011, xx, 332 s. ISBN 978-1-4493-8834-8..
|