Sylabus
Předmět se zaměří na prohloubení znalostí z následujících oblastí s důrazem na jejich aplikace na reálná data, např. z různých aktuálních sout ěží (Kaggle, konferenční soutěže, apod.)
Metaučení - výběr modelů, prohledávání prostoru parametrů (grid search, evoluční algoritmy), ansámbly (bagging, boosting, stacking, blending)
Kombinace evolučních algoritmů a strojového učení - náhradní modelování; hybridní modely, vztah lokálního a globálního prohledávání, memetické algoritmy; využití evoluce v metaučení
Pokročilé metody evolučních algoritmů - CMA-ES, práce s omezujícími podmínkami
Jádrové metody - support vector machines (klasifikace, regrese), jádrové neuronové sítě (Radial basis function networks, kernel networks)
Semi-supervised learning - samoučení, generativní modely, Semi-Supervised Support Vector Machines, algoritmy založené na grafech (graph-based methods)
Pokročilé modely neuronových sítí - Echo State Network, Long Short Term Memory Network, autoenkodéry, konvoluční sítě, restricted boltzmann machines, deep networks
Anotace
Představení moderních metod z oblasti výpočetní inteligence (evoluční algoritmy, strojové učení a příbuzné obory) a jejich aplikace na řešení reálných problémů. Předpokládá se znalost základů strojového učení, neuronových sítí a evolučních algoritmů.