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

---

Stránka vytvořena 5.12.2024 17:51:00, semestry: Z/2025-6, Z,L/2024-5, připomínky k informační náplni zasílejte správci studijních plánů

Návrh a realizace: I. Halaška (K336), J. Novák (K336)