Sylabus
Snaha je nahlížet probírané modely jako používané algoritmy i z pohledu statistiků (viz první kniha Literatury).
Lineární regrese a učení založené na instancích jakožto extrémy v prostoru možných modelů, pravděpodobnostní přístupy; neorientované grafické modely, gaussovské procesy a bayesovská optimalizace, příklad expanze bazických funkcí a regularizace (např. vyhlazené splajny), logistická regrese, zobecněné lineární modely, ohodnocování modelů (odhad chyby a interval spolehlivosti, krosvalidace, one-leave-out), rozhodovací stromy, prořezávání, chybějící hodnoty, tvorba pravidel PRIM, kombinace modelů (AdaBoost, random forest), support vector machines, bayesovské učení, EM algoritmus na příkladu klastrování, učení bez učitele - nákupní košík (Apriori alg.), klastrování k-means, k-medoids, hierarchické.
Induktivní logické programování.
Anotace
Přednáška představuje oblast strojového učení, které se v současné době intenzivně rozvíjí v úzké souvislosti s umělou inteligencí. Podává přehled základních typů strojového učení, hlavních problémů a metod a uvádí některé typické algoritmy.