Přehled studia |
Přehled oborů |
Všechny skupiny předmětů |
Všechny předměty |
Seznam rolí |
Vysvětlivky
Návod
Webová stránka:
http://cw.felk.cvut.cz/doku.php/courses/a4m33sad/start
Anotace:
Předmět vysvětlí metody strojového učení, které jsou užitečné pro analýzu dat tím, že automaticky objevují srozumitelné datové modely např ve formě grafů či pravidel. V kursu bude též studován teoretický rámec vysvětlující, za jakých podmínek vyložené algoritmy obecně fungují.
Přednáší se v angličtině.
Výsledek studentské ankety předmětu je zde:
A4M33SAD
Cíle studia:
Seznámit se s pricipy vybraných metod datové analýzy a učení klasifikačních modelů a se základy teorie učení.
Osnovy přednášek:
1. | | Course introduction. Cluster analysis -- foundations (k-means, hierarchical and EM clustering). |
2. | | Cluster analysis -- advanced methods (spectral clustering). |
3. | | Cluster analysis -- special methods (conceptual and semi-supervised clustering, co-clustering). |
4. | | Frequent itemset mining. the Apriori algorithm, association rules. |
5. | | Frequent sequence mining. Episode rules. Sequence models. |
6. | | Frequent subtrees and subgraphs. |
7. | | Dimensionality reduction. |
8. | | Computational learning theory - intro, PAC learning. |
9. | | Computational learning theory (cont'd). |
10. | | PAC-learning logic forms. |
11. | | Learning in predicate logic. |
12. | | Infinite Concept Spaces. |
13. | | Empirical testing of hypotheses. |
14. | | Wrapping up (if 14 lectures). |
Osnovy cvičení:
1. | | Úvod, program, požadavky, SW nástroje. Vstupní test (prerekvizita RPZ). |
2. | | Předzpracování dat, chybějící a odlehlé hodnoty. Shlukování. |
3. | | Hierarchické shlukování, analýza hlavních komponent. |
4. | | Spektrální shlukování. |
5. | | Hledání častých množin položek a asociačních pravidel. |
6. | | Hledání častých sekvencí a podgrafů. |
7. | | Test z první poloviny kurzu. Křivka učení. |
8. | | Nedoučené a přeučené klasifikátory, kombinace klasifikátorů, odhady chyby, křížová validace. |
9. | | Výběr a hodnocení modelu, ROC analýza. |
10. | | Práce na projektu. |
11. | | Práce na projektu. |
12. | | Induktivní logické programování: systém Aleph. |
13. | | Statistické relační učení: systém Alchemy. |
14. | | Udělování zápočtů, rezerva. |
Literatura:
T. | | Mitchell: Machine Learning, McGraw Hill, 1997 |
P. | | Langley: Elements of Machine Learning, Morgan Kaufman 1996 |
T. | | Hastie et al: The elements of Statistical Learning, Springer 2001 |
Požadavky:
Znalosti z předmětu A4B33RPZ.
URL:
http://cw.felk.cvut.cz/doku.php/courses/m33sad/start
Poznámka:
Rozsah výuky v kombinované formě studia: 14p+6c |
Klíčová slova:
shlukování, časté vzory, klasifikátor, PAC-učení
Předmět je zahrnut do těchto studijních plánů:
Plán |
Obor |
Role |
Dop. semestr |
Stránka vytvořena 22.7.2024 17:51:06, semestry: Z,L/2023-4, Z,L/2024-5, připomínky k informační náplni zasílejte správci studijních plánů |
Návrh a realizace: I. Halaška (K336), J. Novák (K336) |