ČeskyEnglish

Popis předmětu - BE4M33SSU

Přehled studia | Přehled oborů | Všechny skupiny předmětů | Všechny předměty | Seznam rolí | Vysvětlivky               Návod
BE4M33SSU Statistical Machine Learning Rozsah výuky:2p+2c
Garanti:Flach B. Role:PO Zakončení:Z,ZK
Vyučující:Drchal J., Flach B., Franc V.
Zodpovědná katedra:13133 Kreditů:6 Semestr:Z

Anotace:

The aim of statistical machine learning is to develop systems (models and algorithms) able to learn 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.

Osnovy přednášek:

The course will cover the following topics - Empirical risk minimization, consistency, bounds - Kernel SVMs, RKHS, regression - Semi-supervised learning - Unsupervised learning, EM algorithm, mixture models - Bayesian learning - Deep (convolutional) networks and Boltzmann machines (graphical models) - Supervised learning for deep networks - Hopfield nets and energy minimisation (MAP in MRFs) - Structured output SVMs - Sampling methods, sampling from models - 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

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)

Webová stránka:

http://cw.fel.cvut.cz/wiki/courses/be4m33ssu/start

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr
MEOI9_2016 Datové vědy PO 3
MEOI5_2016 Počítačové vidění a digitální obraz PO 1
MEOI7_2016 Umělá inteligence PO 1
MPOI9_2016 Datové vědy PO 3
MPOI7_2016 Umělá inteligence PO 1
MEOI8_2016 Bioinformatika PO 3
MPOI8_2016 Bioinformatika PO 3
MPOI5_2016 Počítačové vidění a digitální obraz PO 1


Stránka vytvořena 25.9.2017 12:47:26, semestry: L/2016-7, Z,L/2017-8, Z/2018-9, připomínky k informační náplni zasílejte správci studijních plánů Návrh a realizace: I. Halaška (K336), J. Novák (K336)
Za obsah odpovídá: doc. Ing. Ivan Jelínek, CSc.