Strojové učení

Tento modul zkoumá strojové učení a zaměřuje se na algoritmy a modely, které umožňují počítačům učit se z dat a činit předpovědi nebo rozhodnutí na jejich základě. Zahrnuje techniky učení pod dohledem, bez dohledu a zpětnovazebního učení spolu s praktickými aplikacemi v oblastech, jako je rozpoznávání obrazu, zpracování přirozeného jazyka a prediktivní analýza.

Tvůrce učebních osnov

Potřebujete pomoc? Klikněte zde pro návod.

Sutton, Richard S. a Andrew G. Barto. Zpětnovazební učení: Úvod. Druhé vydání. Série adaptivních výpočtů a strojového učení. Cambridge, Massachusetts: Nakladatelství MIT, 2018.

Holič, David. Bayesovské uvažování a strojové učení. 1. vyd. Cambridge University Press, 2012.

https://doi.org/10.1017/CBO9780511804779

MacKay, David J.C. Teorie informace, inference a algoritmy učení. Cambridge University Press, 2003.

Bishop, Christopher M. Rozpoznávání vzorů a strojové učení. Informační věda a statistika. New York: Springer, 2006.

Mohri, Mehryar, Afshin Rostamizadeh a Ameet Talwalkar. “Úvod.” In Základy strojového učení, 504. Tisk MIT, 2018.

https://mitpress.mit.edu/9780262039406/foundations-of-machine-learning/

Murphy, Kevin P. “Kapitola 24: Markov Chain Monte Carlo (MCMC) Inference” a “Kapitola 25: Shlukování.” In Strojové učení: Pravděpodobnostní perspektiva. Londýn, Anglie: Nakladatelství MIT, 2012.

Wyner, Abraham J., Matthew Olson, Justin Bleich a David Mease. “Vysvětlení úspěchu AdaBoost a náhodných lesů jako interpolačních klasifikátorů.” arXiv, 29. dubna 2017.

http://arxiv.org/abs/1504.07676

Hastie, Trevor, Robert Tibshirani a Jerome Friedman. Prvky statistického učení: dolování dat, odvozování a predikce. 2. vyd. Springerova řada ve statistice. New York, NY: Springer New York, 2009.

https://doi.org/10.1007/978-0-387-84858-7

Wasserman, Larry. All of Statistics: Stručný kurz statistické inference. Springerovy texty ve statistice. New York, NY: Springer New York, 2004.

https://doi.org/10.1007/978-0-387-21736-9