SNS Strojové učení a neuronové sítě

Vysoká škola technická a ekonomická v Českých Budějovicích
léto 2024
Rozsah
0/2/0. 2 kr. Ukončení: z.
Vyučováno prezenčně.
Vyučující
Ing. Tereza Matasová (cvičící)
Garance
Ing. Tereza Matasová
Ústav znalectví a oceňování – Rektor – Vysoká škola technická a ekonomická v Českých Budějovicích
Kontaktní osoba: Ing. Tereza Matasová
Dodavatelské pracoviště: Skupina Ekonomie – Oddělení zástupce ředitele pro výzkum, vývoj a tvůrčí činnost – Ústav znalectví a oceňování – Rektor – Vysoká škola technická a ekonomická v Českých Budějovicích
Rozvrh seminárních/paralelních skupin
SNS/E4: Ne 12. 5. 14:50–16:20 D315, 16:30–18:00 D315, Ne 2. 6. 8:00–9:30 D315, 9:40–11:10 D315, T. Matasová
Předpoklady
MAX_PREZENCNICH ( 35 ) && MAX_KOMBINOVANYCH ( 35 )
Základy práce se SW Mathematica.
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
Cíle předmětu opírající se o výstupy z učení
Student se seznámí s nejběžnějšími algoritmy pro strojové učení. Tyto algoritmy dokáže optimalizovat a prakticky použít ve svém oboru.
Výstupy z učení
Student zná běžně používané algoritmy pro strojové učení včetně základních neuronových sítí. Student umí algoritmy prakticky použít v aplikaci na svůj obor. Student rovněž umí výsledky optimalizovat. Student je schopen porozumět principu strojového učení, chybám, které mohou vzniknout při kódování a interpretaci výsledků.
Osnova
  • 1. Porozumění syntaxe Wolfram Mathematica a základní matematické úpravy
  • 2. Porozumění syntaxe Wolfram Mathematica a základní matematické úpravy
  • 3. Porozumění syntaxe Wolfram Mathematica a základní matematické úpravy
  • 4. Porozumění syntaxe Wolfram Mathematica a základní matematické úpravy
  • 5. Proces přípravy a získání vědeckých dat
  • 6. Import a export
  • 7. Regrese
  • 8. Predikce
  • 9. Predikce
  • 10. Klasifikace
  • 11. Shluková analýza
  • 12. Shluková analýza
  • 13. Práce s textem
Literatura
    povinná literatura
  • BERNARD, Etienne. Introduction To Machine Learning. Wolfram Media, 2021. ISBN 1-57955-048-7. info
  • VILLALOBOS ALVA, Jalil. Beginning Mathematica and Wolfram for Data Science: Applications in Data Analysis, Machine Learning, and Neural Networks. Apress, 2021. ISBN 978-1-4842-6593-2. info
  • WOLFRAM, Stephen. An Elementary Introduction to the Wolfram Language. Online. 3. vydání. Wolfram Media, 2023. ISBN 978-1-944183-07-3. URL info
Organizační formy výuky
seminář
Komplexní výukové metody
frontální výuka
kritické myšlení
samostatná práce – individuální nebo individualizovaná činnost
výuka podporovaná multimediálními technologiemi
e-learning
Studijní zátěž
AktivitaPočet hodin za semestr
Prezenční formaKombinovaná forma
Příprava na seminář, cvičení, tutoriál515
Příprava na závěrečný test325
Seminární práce18 
Účast na semináři/cvičeních/tutoriálu/exkurzi2612
Celkem:5252
Metody hodnocení a jejich poměr
projekt - semestrální 100 %
Podmínky testu
Dojde k~zadání úlohy, která se bude řešit v~průběhu celého semestru na jednotlivých seminářích.
Předmět je zařazen také v obdobích léto 2020, zima 2020, léto 2021.
  • Statistika zápisu (nejnovější)
  • Permalink: https://is.vstecb.cz/predmet/vste/leto2024/SNS