INFORMAČNÝ LIST PREDMETU
Vysoká škola: Technická univerzita v Košiciach
Fakulta: Fakulta elektrotechniky a informatiky
Pracovisko: Katedra počítačov a informatiky
Kód predmetu: 26000887 Názov predmetu: Stochastické modelovanie a analýza dát
Druh, rozsah a metóda vzdelávacích činností:
Forma výučby: Prednáška, Cvičenie laboratórne
Odporúčaný rozsah výučby (v hodinách):
Denná forma štúdia (hodiny za týždeň): 2,2
Externá forma štúdia (hodiny za semester): 26,26
Metóda štúdia:
Počet kreditov: 6
Odporúčaný semester štúdia: LS
Odporúčaný semester Študijný program Stupeň štúdia Metóda štúdia
1.rok LS Kyberbezpečnosť (KB_Ing_D_sk)
Informatika (INF_Ing_D_sk)
Informatika (INF_Ing_D_en)
2.
2.
2.
Prezenčná
Prezenčná
Prezenčná
Stupeň štúdia:
Podmieňujúce predmety:
Podmienky na absolvovanie predmetu:
Spôsob hodnotenia a skončenia štúdia predmetu: Zápočet a skúška
Priebežné hodnotenie (PH): Študent prospeje v PH a získa zápočet, keď splní podmienku získať min. 21% z 40%.
Zápočet
Záverečné hodnotenie (ZH): Študent prospeje v ZH a úspešne vykoná skúšku, keď splní podmienku získať min. 31% z 60%.
Skúška
Celkové hodnotenie: CH je suma hodnotení získaných študentom za hodnotené obdobie. Celkový výsledok sa stanoví v súlade s vnútornými predpismi TUKE. (študijný poriadok, vnútorný predpis zásady doktorandského štúdia)
Výsledky vzdelávania:
Študent sa oboznámi s pokročilejšími princípmi z oblasti strojového učenia a umelej inteligencie s dôrazom na aktuálne trendy v tejto oblasti. Predmet je zameraný na získanie praktických znalostí pre riešenie komplexných problémov využitím metód strojového učenia. Študent získa znalosti potrebné pre aplikácie ako je rozpoznávanie obrazov, či analýza sentimentu z textu. Študent rovnako získa základné zručnosti pre učenie agentových botov v dynamických prostrediach (počítačové hry, prostredie OpenAI) využitím základných foriem strojového učenia posilňovaním (Q a SARSA učenie), ako aj ich pokročilých návrhov využitím hlbokých neurónových sietí (DQN, double DQN, Actor-critic a iné).
Stručná osnova predmetu:
1. Neurónové siete a hlboké učenie.
2. Viacvrstvové neurónové siete s dopredným šírením.
3. Metóda spätného šírenia chyby, aktivačné funkcie.
4.  Konvolučné neurónové siete, rozpoznávanie obrazov.
5.  Rekurentné neurónové siete.
6.  Autoenkóder.
7. Úvod do problematiky dynamických systémov a pohľad strojového učenia na takto definované systémy.
8.  Bellmanove rovnice a Markovovské systémy.
9.  Jednoduché formy strojového učenia v dynamických systémoch a prostredie OpenAI.
10. Strojové učenie s posilňovaním, Q a SARSA učenie.
11.  Hlboké učenie s posiľňovaním využitím neurónových sietí.
12. Ostatné formy učenia s posiľnovaním využítím pokročilých metód (Actor-critic a DDPG prístup).
Odporúčaná literatúra:
Python for Data Analysis, Wes McKinney, O'Reilly Media, 2012
Machine Learning: An algorithmic perspective, Stephen Marsland, CRC Press, 2015
Agent Based and Individual based modelling, Steven F. Railsback and Volker Grimm, Princeton Press, 2012
Artificial Intelligence for Humans, Jeff Heaton, Heaton Research, 2014  
Odporúčané voliteľné súčasti programu:
Jazyk, ktorého znalosť je potrebná na absolvovanie predmetu:
Poznámky:
Hodnotenie predmetov:
Celkový počet hodnotených študentov: 230
  A B C D E FX  
  19% 17% 18% 19% 12% 16%  
Zabezpečuje:
prof. Ing. Peter Drotár, PhD.
prof. Ing. Juraj Gazda, PhD.
Dátum poslednej zmeny: 01.09.2022
Schválil: osoba/osoby zodpovedné za študijný program