Cieľom predmetu je poskytnúť študentom hlboké znalosti z oblasti strojového učenia. Po úvode do strojového učenia, základných pojmoch a definícii cieľov a metód strojového učenia sa kurz sústreďuje na historicky najstarší prístup a to učenie prehľadávaním priestoru pojmov a priestoru príznakov. Nasledujú metódy automatického generovania modelov produkčných pravidiel, rozhodovacích stromov a zoznamov. Rozhodovacie stromy tak predikčné ako aj regresné tvoria základ oblasti strojového učenia. Ďalej nasledujú metódy na tvorbu modelov založených na prahových pojmoch (kam patrí veľmi úspešná metóda SVM) a etalónov. Predmet sa venuje aj pravdepodobnostnému pojmu, ktorý je reprezentovaný Naivným Bayes klasifikátorom často používaným ako base-line metóda. Súčasťou predmetu je aj klasifikácia súborom metód (boosting a bagging) vrátane veľmi úspešnej metódy generovania náhodného lesa rozhodovacích stromov (Random Feorest). Predmet sa venuje aj hlbokým neurónovým sieťam, ktoré sú schopné generovať najpresnejšie modely v rôznych aplikačných oblastiach. Je tu venovaný priestor nielen doteraz spomínaným metódam kontrolovaného učenia, ale aj metódam nekontrolovaného učenia (zhlukovacie techniky) a posilňovanému učeniu (Reinforcement learning). Napokon sú tu témy zamerané na techniky merania efektívnosti modelov, výpočtovú teóriu učenia a základné princípy prístupov k automatickému učeniu.
- Teacher: Kristína Machová
- Teacher: Miroslava Matejová
- Teacher: Jakub Ivan Vanko