Popis předmětu - BECM36MLM

Přehled studia | Přehled oborů | Všechny skupiny předmětů | Všechny předměty | Seznam rolí | Vysvětlivky               Návod
BECM36MLM Machine Learning Methods
Role:PS, P Rozsah výuky:2P+2C
Katedra:13136 Jazyk výuky:EN
Garanti:Železný F. Zakončení:Z,ZK
Přednášející:Kuželka O., Šír G., Železný F. Kreditů:6
Cvičící:Krutský M., Kuželka O., Peleška J., Šír G. Semestr:L

Webová stránka:

https://cw.fel.cvut.cz/b252/courses/becm36mlm/start

Anotace:

Students will get familiar with advanced machine learning methods (MLM) that go beyond common data domains (vision, text) taught in the other courses (e.g., BE4M33MPV, BECM36NLPT). They will learn techniques that work well for tabular and structured data (e.g., relational databases), including rule/tree ensembles, graph neural networks, and other advanced approaches aimed at complex learning problems. Additionally, the course will also teach students methods for model interpretability, the basics of causality, and reinforcement learning.

Osnovy přednášek:

1. Learning from Tabular data
2. Learning from Structured data
3. Graph Neural Networks
4. Relational Deep Learning
5. Neural-Symbolic Learning
6. Learning with Large Language Models
7. Interpretability of ML Models
8. Potential outcomes - Rubin-Neyman causal model, uplift modeling
9. Intro to “Pearl’s” causality
10. A/B tests and multi-armed bandit problems, UCB algorithm.
11. Bayesian bandits (Thompson sampling). Contextual bandits.
12. Markov decision processes
13. Tabular RL: Q-Learning and SARSA
14. Deep RL: Deep Q-learning. Policy gradient.

Osnovy cvičení:

1. Learning from Tabular data
2. Learning from Structured data
3. Graph Neural Networks
4. Relational Deep Learning
5. Neural-Symbolic Learning
6. Learning with Large Language Models
7. Interpretability of ML Models
8. Potential outcomes - Rubin-Neyman causal model, uplift modeling
9. Intro to “Pearl’s” causality
10. A/B tests and multi-armed bandit problems, UCB algorithm.
11. Bayesian bandits (Thompson sampling). Contextual bandits.
12. Markov decision processes
13. Tabular RL: Q-Learning and SARSA
14. Deep RL: Deep Q-learning. Policy gradient.

Literatura:

Požadavky:

This is an advanced ML course that assumes at least some prior knowledge of ML (e.g., B4B33RPZ, BECM33MLF), data representation (e.g., B0B36DBS, B0B01LGR), and deep learning (e.g., BECM33DPL).

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr
MPOI9_2026 Datové vědy PS 2
MPPRGAI_2025 Před zařazením do oboru P 2

Stránka vytvořena 19.5.2026 14:51:53, semestry: Z/2028-9, Z/2026-7, Z,L/2025-6, L/2026-7, L/2028-9, L/2027-8, L/2029-30, Z/2027-8, připomínky k informační náplni zasílejte správci studijních plánů Návrh a realizace: I. Halaška (K336), J. Novák (K336)
Za obsah odpovídá: doc. RNDr. Veronika Sobotíková, CSc.