Popis předmětu - XP36RGM

Přehled studia | Přehled oborů | Všechny skupiny předmětů | Všechny předměty | Seznam rolí | Vysvětlivky               Návod
XP36RGM Čtenářský klub zaměřený na oblast dolování dat a strojové učení
Role:  Rozsah výuky:2P
Katedra:13136 Jazyk výuky:
Garanti:Kléma J. Zakončení:ZK
Přednášející:Kléma J., Železný F. Kreditů:4
Cvičící:Kléma J., Železný F. Semestr:Z,L

Webová stránka:

https://cw.fel.cvut.cz/wiki/courses/xp36rgm/start

Anotace:

Data mining (DM) se zaměřuje na odhalování netriviálních, skrytých a prakticky použitelných znalostí ve velkých datech. Velikost a heterogenita dat jsou dva klíčové technické problémy dolování dat, které je třeba vyřešit. Hlavním cílem je porozumět vzorům, které řídí procesy generující data a také je srozumitelně popsat. Strojové učení (ML) se zaměřuje na tvorbu počítačových algoritmů, které se mohou automaticky zlepšovat prostřednictvím zkušeností získané z dat. Často klade důraz na výkon, kterého algoritmy dosahují. Rozdíl mezi DM a ML není striktní, strojové učení se často používá jako prostředek k dolování dat. Z tohoto důvodu pokrýváme obě oblasti ve stejném kurzu. Hlavním cílem kurzu je seznámení s pokročilými a moderními tématy v tomto oboru, respektive oborech.

Obsah:

Kurz bude probíhat formou četby literatury a diskusní skupiny. Každý student přednese dvě 1 hodinové přednášky, po kterých následuje 30 minutová diskuse. Jedna z přednášek by měla být obecná (výtah z kapitoly knihy, nedávné tutoriály na velkých konferencích ML/DM atd.), druhá může prezentovat vlastní výzkum (pokud souvisí s ML/DM), nebo ML/DM téma úzce související s vaším výzkumem nebo výzkumnými zájmy. Před prezentací ostatních studentů by si měl každý student přečíst přehledový článek doporučený k danému tématu. Předpokládá se, že studenti absolvovali alespoň některé z magisterských kurzů strojového učení a analýzy dat (B4M36SAN, B4M46SMU, BE4M33SSU). Nejde ale o tvrdé prerekvizity.

Osnovy přednášek:

Osnovy cvičení:

Literatura:

1. Rajaraman, A., Leskovec, J., Ullman, J. D.: Mining of Massive Datasets, Cambridge University Press, 2011.
2. Hastie, T., Tibshirani, R., Friedman, J.: The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. New York: Springer, 2009.
3. Peng, R. D., Matsui, E.: The Art of Data Science. A Guide for Anyone Who Works with Data. Skybrude Consulting, 200, 162, 2015.

Požadavky:

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr

Stránka vytvořena 27.4.2024 17:51:58, semestry: Z/2024-5, Z,L/2023-4, 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.