Popis předmětu - BE4M33SSU

Přehled studia | Přehled oborů | Všechny skupiny předmětů | Všechny předměty | Seznam rolí | Vysvětlivky               Návod
BE4M33SSU Statistical Machine Learning
Role:PO, PV, PS Rozsah výuky:2P+2C
Katedra:13133 Jazyk výuky:EN
Garanti:Franc V. Zakončení:Z,ZK
Přednášející:Drchal J., Franc V. Kreditů:6
Cvičící:Drchal J., Franc V., Paplhám J. Semestr:Z

Webová stránka:

https://cw.fel.cvut.cz/wiki/courses/BE4M33SSU

Anotace:

The aim of statistical machine learning is to develop systems (models and algorithms) for learning to solve tasks given a set of examples and some prior knowledge about the task. This includes typical tasks in speech and image recognition. The course has the following two main objectives
1. to present fundamental learning concepts such as risk minimisation, maximum likelihood estimation and Bayesian learning including their theoretical aspects,
2. to consider important state-of-the-art models for classification and regression and to show how they can be learned by those concepts.

Cíle studia:

The aim of statistical machine learning is to develop systems (models and algorithms) for learning to solve tasks given a set of examples and some prior knowledge about the task.

Osnovy přednášek:

The course will cover the following topics - Empirical risk minimization, consistency, bounds - Maximum Likelihood estimators and their properties - Unsupervised learning, EM algorithm, mixture models - Bayesian learning - Deep (convolutional) networks - Supervised learning for deep networks - Hidden Markov models - Structured output SVMs - Ensemble learning, random forests

Osnovy cvičení:

Labs will be dedicated to practical implementations of selected methods discussed in the course as well as seminar classes with task-oriented assignments.

Literatura:

1. M. Mohri, A. Rostamizadeh and A. Talwalkar, Foundations of Machine Learning, MIT Press, 2012
2. K.P. Murphy, Machine Learning: A Probabilistic Perspective, MIT Press, 2012
3. T. Hastie, R. Tibshirani and J. Friedman, The Elements of Statistical Learning, Springer, 2010
4. I. Goodfellow, Y. Bengio and A. Courville, Deep Learning, MIT Press, 2016

Požadavky:

Prerequisites of the course are: - foundations of probability theory and statistics comparable to the scope of the course "Probability, statistics and information theory" (A0B01PSI), - knowledge of statistical decision theory foundations, canonical and advanced classifiers as well as basics of machine learning comparable to the scope of the course "Pattern Recognition and Machine Learning" (AE4B33RPZ)

Klíčová slova:

machine learning, statistical learning

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr
MEBIO4_2018 Signal Processing PV 1
MPBIO3_2018 Zpracování obrazu PS 1
MEBIO1_2018 Bioinformatics PS 1
MEOI7_2018 Artificial Intelligence PO 1
MEOI8_2018 Bioinformatics PO 3
MPOI8_2018 Bioinformatika PO 3
MPBIO4_2018 Zpracování signálů PV 1
MEOI9_2018 Data Science PO 3
MEKYR_2021 Před zařazením do oboru PV 1,3
MPKYR_2021 Před zařazením do oboru PV 1,3
MPOI9_2018 Datové vědy PO 3
MPBIO2_2018 Lékařská technika PV 1
MEOI5_2018 Computer Vision and Image Processing PO 1
MPOI5_2018 Počítačové vidění a digitální obraz PO 1
MEBIO3_2018 Image Processing PS 1
MEBIO2_2018 Medical Instrumentation PV 1
MPBIO1_2018 Bioinformatika PS 1
MPOI7_2018 Umělá inteligence PO 1


Stránka vytvořena 16.7.2024 17:50:59, semestry: Z/2024-5, Z,L/2023-4, připomínky k informační náplni zasílejte správci studijních plánů Návrh a realizace: I. Halaška (K336), J. Novák (K336)