Organizácia a hodnotenie predmetu
Ciele predmetu
Po absolvovaní predmetu študent dokáže:
- Navrhnúť a použiť vhodný validačný postup pri trénovaní, výbere a hodnotení modelov strojového učenia.
- Identifikovať bežné metodologické chyby - najmä únik dát, nevhodnú voľbu metrík a nespoľahlivý odhad generalizačnej chyby - a navrhnúť opatrenia na ich odstránenie.
- Vybrať a zdôvodniť vhodné hodnotiace metriky, posúdiť kalibráciu predikcií a interpretovať výsledky modelu v kontexte riešenej úlohy.
- Pripraviť a spracovať tabuľkové, textové a časové dáta a natrénovať na nich vhodné modely strojového učenia.
- Implementovať, vyhodnotiť a porovnať vybrané skupinové metódy a architektúry neurónových sietí, vrátane modelov určených na spracovanie obrazových a sekvenčných dát.
Organizácia predmetu
Cvičenia sú postavené predovšetkým na aktívnej a samostatnej práci študentov. Od študentov sa očakáva, že budú analyzovať zadania, navrhovať vhodné postupy, implementovať vlastné riešenia a kriticky vyhodnocovať dosiahnuté výsledky. Cvičiaci v tomto procese vystupuje ako odborný sprievodca - poskytuje usmernenie, pomáha objasňovať nejasnosti a ponúka spätnú väzbu.
Každé cvičenie pozostáva z dvoch vzájomne prepojených častí. Vedená časť je zameraná na osvojenie základných princípov a kľúčových postupov. Nadväzujúce samostatné a rozširujúce úlohy vytvárajú priestor na aplikáciu získaných poznatkov, vlastné rozhodovanie, experimentovanie a hlbšie preskúmanie danej témy.
Doplňujúce materiály, zápočtové testy a ďalšie informácie k predmetu nájdete aj na Moodle kurze: moodle.kpi.fei.tuke.sk – Pokročilé inteligentné systémy v informatike. Pri prihlasovaní do kurzu postupujte podľa inštrukcií cvičiaceho.
Cvičenia tematicky nadväzujú na prednášky, nemusia však presne kopírovať ich týždenné členenie. Príbuzné témy sa prepájajú v rámci spoločných praktických úloh, zatiaľ čo témy zamerané predovšetkým na osvojenie teoretických základov sú predmetom prednášok.
Hodnotenie predmetu
Hodnotenie predmetu pozostáva z dvoch častí: priebežného hodnotenia počas semestra (40 bodov) a záverečnej skúšky (60 bodov).
Zápočet
Zápočet bude realizovaný výhradne prezenčnou formou, pričom zaň viete získať maximálne 40 bodov. Nasledujúca tabuľka poskytuje prehľad hodnotiacich aktivít a ich bodové ohodnotenie:
| Hodnotená aktivita | Body |
|---|---|
| Zápočtový test 1 + 2 | 35 |
| Aktivita na cvičeniach | 5 |
| Spolu | 40 |
Podmienkou získania zápočtu a pripustenia ku skúške je dosiahnutie minimálne 21 zo 40 bodov z priebežného hodnotenia, ktoré zahŕňa zápočtový test 1 + 2 a aktivitu počas semestra.
Zápočtový test 1
Zápočtový test 1 v 6. týždni semestra sa neuskutoční. Jeho body aj učivo sa presúvajú do zápočtového testu 1 + 2 v 11. týždni.
Zápočtový test 1 + 2
Test sa bude realizovať v 11. týždni semestra a môžete zaň získať maximálne 35 bodov. Informácie o rozsahu učiva, forme testu a odporúčania na prípravu budú zverejnené na samostatnej stránke Zápočtový test 1 + 2.
Aktivita na cvičeniach
Súčasťou hodnotenia je aj aktívna práca na jednotlivých cvičeniach, za ktorú môžete získať maximálne 5 bodov. Cvičiaci počas semestra sleduje a zaznamenáva mieru zapojenia, samostatnosť a pokrok pri riešení vedených aj samostatných úloh.
Opravný zápočtový test
Posledný, 13. týždeň semestra, je určený na opravný termín zápočtového testu 1 + 2 a na konzultácie k priebežnému hodnoteniu. Presný harmonogram opravných termínov a konzultácií oznámi cvičiaci v dostatočnom predstihu. Ďalšie možnosti na opravu nebudú k dispozícií.
Skúška
Skúška bude realizovaná výhradne prezenčnou formou, pričom za ňu viete získať maximálne 60 bodov. Všetky termíny skúšok (riadny, prvý opravný a druhý opravný) budú hromadné, t. j. žiadne ďalšie príležitosti na vykonanie skúšky nebudú.
Prehľad termínov:
- Riadny termín: DD.MM.2027.
- Prvý opravný termín: DD.MM.2027.
- Druhý opravný termín: DD.MM.2027.
Podmienkou na úspešné absolvovanie skúšky je dosiahnutie minimálne 31 zo 60 bodov z celkového hodnotenia.
Vyučujúci
Prednášajúci
Cvičiaci
Doplňujúce zdroje
Odborná literatúra:
- James, G., Witten, D., Hastie, T. a Tibshirani, R. (2021). An Introduction to Statistical Learning.
- Hastie, T., Tibshirani, R. a Friedman, J. (2009). The Elements of Statistical Learning.
- Goodfellow, I., Bengio, Y. a Courville, A. (2016). Deep Learning.
Dokumentácia:
- dokumentácia knižnice scikit-learn.
- dokumentácia knižnice PyTorch.
Doplňujúce zdroje špecifické pre jednotlivé témy sú uvedené naprieč jednotlivými cvičeniami. Poskytujú vhodný materiál na prípravu k zápočtom a samotnej skúške.