Popis předmětu - BE4M33SSU

Přehled studia | Přehled oborů | Všechny skupiny předmětů | Všechny předměty | Seznam rolí | Vysvětlivky               Návod
BE4M33SSU Statistical Machine Learning
Role:PS, PO, PV Rozsah výuky:2P+2C
Katedra:13133 Jazyk výuky:EN
Garanti:Flach B. Zakončení:Z,ZK
Přednášející:Drchal J., Flach B., Franc V. Kreditů:6
Cvičící:Bonilla Licea D., Drchal J., Flach B., Franc V. 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.

Cíle studia:

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.

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:

https://cw.fel.cvut.cz/wiki/courses/BE4M33SSU

Klíčová slova:

machine learning, statistical learning

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr
MPBIO2_2018 Lékařská technika PV 1
MPBIO4_2018 Zpracování signálů PV 1
MPBIO1_2018 Bioinformatika PS 1
MEOI8_2018 Bioinformatika PO 3
MPOI9_2018 Datové vědy PO 3
MEBIO1_2018 Bioinformatics PS 1
MPOI7_2018 Umělá inteligence PO 1
MPKYR_2021 Před zařazením do oboru PV 1,3
MEBIO4_2018 Signal Processing PV 1
MEOI9_2018 Datové vědy PO 3
MEOI7_2018 Umělá inteligence PO 1
MPBIO3_2018 Zpracování obrazu PS 1
MEBIO3_2018 Image Processing PS 1
MEBIO2_2018 Medical Instrumentation PV 1
MEOI5_2018 Počítačové vidění a digitální obraz PO 1
MEKYR_2021 Před zařazením do oboru PV 1,3
MPOI8_2018 Bioinformatika PO 3
MPOI5_2018 Počítačové vidění a digitální obraz PO 1


Stránka vytvořena 19.8.2022 17:49:54, semestry: L/2021-2, Z/2024-5, Z,L/2022-3, připomínky k informační náplni zasílejte správci studijních plánů Návrh a realizace: I. Halaška (K336), J. Novák (K336)