Menu
V tomto predmete sa naučíš základy a praktické aplikácie strojového učenia. Začneš tým, čo strojové učenie vlastne je – aké poznáme typy učenia, ako funguje bifľovanie (memorovanie), prispôsobovanie parametrov a induktívne učenie. Už od začiatku si budeš všetko skúšať prakticky – každý týždeň vypracuješ jeden príklad v jazyku Python, pričom sa oboznámiš s nástrojmi ako PyTorch, Scikit-learn, Pandas či Orange3.
Postupne sa naučíš rôzne techniky klasifikácie – od jednoduchých lineárnych klasifikátorov a naivného Bayesa až po zložitejšie metódy ako algoritmy pokrývania množín, PRISM či induktívne logické programovanie. Uvidíš, ako tieto metódy môžeš použiť napríklad pri detekcii spamu, analýze sentimentu alebo identifikácii falošných správ.
Osvojíš si techniky na overovanie modelov – naučíš sa, čo je cross-validácia, bootstrap a ako riešiť problém chýbajúcich údajov. Dôležité budú aj metriky, pomocou ktorých vyhodnotíš kvalitu klasifikácie – napríklad confusion matrix či presnosť.
V ďalších týždňoch sa zameriaš na rozhodovacie stromy – ako sa tvoria, aké vlastnosti sú vhodné na delenie, čo spôsobuje preučenie a ako stromy optimalizovať pomocou prerezávania. Spoznáš aj silnú techniku Random Forest, ktorá kombinuje viacero stromov pre lepšiu predikciu.
Okrem klasifikácie si prejdeš aj regresné metódy – lineárnu a nelineárnu regresiu, metódu k najbližších susedov (k-NN), a silné modely ako SVM (Support Vector Machines), ktoré sa často používajú pri klasifikácii s veľkým množstvom dát.
Dôležitou témou bude aj reinforcement learning, kde sa model učí na základe spätnej väzby, napríklad pomocou Q-learningu. Neskôr sa pozrieš na odporúčacie systémy – ako sa personalizujú a aké metódy sa pri tom používajú (napr. co-occurrence matice).
V závere si vyskúšaš nasadzovanie modelov strojového učenia do prostredia cloudu a riešenie komplexnejších úloh. Praktické vedomosti si overíš v dvoch testoch a na konci absolvuješ skúšku.
Ak ťa zaujíma, ako naučiť počítače „učiť sa“, robiť predikcie alebo klasifikovať údaje, tento predmet ti poskytne veľmi solídny základ – nie len teoreticky, ale najmä prakticky s dôrazom na použitie v Pythone.