Machine learning

  • Kredity: 6
  • Ukončenie: Skúška
  • Rozsah: 2P + 2C
  • Semester: zimný
  • Ročník: 2
  • Fakulta hospodárskej informatiky

Vyučujúci

Zaradený v študijných programoch

informačný manažment

Výsledky vzdelávania

Úspešné absolvovanie predmetu je garanciou toho, že študenti získajú základný prehľad o podstate a možnostiach machine learning (metód strojového učenia) v praxi.
Vedomosti
Študenti získajú:
− poznatky o základných pojmoch, princípoch, metódach a postupoch používaných v machine learning,
− poznatky o programovacom jazyku Python,
Zručnosti
− študenti sa naučia implementovať štatistické metódy do kódov
− študenti budú schopní zostrojiť machine learning modely a algoritmy v programovacom jazyku Python a budú vedieť ako ich kombinovať pri riešení problémov
− študenti sa naučia adekvátne aplikovať postupy a metódy machine learning
− naučia sa používať knižnice v Pythone, vrátane pre machine learning populárnej Scikit-learn a TensorFlow
− Kompetencie
− študenti budú schopní používať získané vedomosti a zručnosti pri riešení úloh machine learning.

Stručná osnova predmetu

Predmet predstavuje oblasť machine learning, ktorá sa v súčasnej dobe intenzívne rozvíja v úzkej súvislosti s umelou inteligenciou. Podáva prehľad základných typov machine learning, hlavných problémov a metód a uvádza niektoré typické algoritmy.

Odporúčaná literatúra

1. MŰLLER, A. C., & GUIDO, S. (2016). Introduction to Machine Learning with Python: A Guide for Data Scientists (1st ed.). O’Reilly Media. ISBN 978-1-449-36941-5
GÉRON, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems (2nd ed.). O’Reilly Media. ISBN 978-1492032649
2. AMR, T. (2020). Hands-On Machine Learning with scikit-learn and Scientific Python Toolkits: A practical guide to implementing supervised and unsupervised machine learning algorithms in Python. Packt Publishing.
3. ALBON, C. (2018). Machine Learning with Python Cookbook: Practical Solutions from Preprocessing to Deep Learning (1st ed.). O’Reilly Media. ISBN 978-1491989388
4. LIU, Y. (2020). Python Machine Learning By Example: Build intelligent systems using Python, TensorFlow 2, PyTorch, and scikit-learn (3rd ed.). Packt Publishing. ISBN 978-1800209718

Sylabus predmetu

1. Úvod do machine learning a Pythonu 2. Príprava a čistenie údajov 3. Rozdelenie dátového súboru na cvičnú a testovaciu sadu 4. Klasifikačné úlohy a regresia 5. Algoritmus založený na metóde k- najbližšieho suseda 6. Algoritmy založené na metódach náhodného lesa a rozhodovacích stromov 7. SVM algoritmus – metóda podporných vektorov 8. Bayesovský algoritmus 9. Učenie bez učiteľa. Zhlukovanie. 10. Neurónové siete I 11. Neurónové siete II 12. Hodnotenie modelov. Kritériá hodnotenia kvality modelu. 13. Zhrnutie.

Podmienky na absolvovanie predmetu

40 % semestrálny projekt spracovaný v Pythone
60 % písomná skúška

Pracovné zaťaženie študenta

Pracovné zaťaženie študenta (v hodinách): 156 h
účasť na prednáškach: 26 h,
účasť na cvičeniach: 26 h,
príprava na cvičenia: 26 h,
spracovanie seminárneho projektu: 38 h,
príprava na skúšku: 40 h

Jazyk, ktorého znalosť je potrebná na absolvovanie predmetu

Slovenský jazyk

Dátum schválenia: 11.03.2024

Dátum poslednej zmeny: 02.02.2022

Dátum schválenia: 11.03.2024

Dátum poslednej zmeny: 02.02.2022