Zuzana Petříčková - Neuronové sítě 1

Termíny přezkoušení z teorie

V KOSu už jsou vypsané první termíny, další budu přidávat na každý týden až do konce června (+ omezený počet termínů bude i v září). Pokud Vám nabízené časy nebudou vyhovovat (nebo pokud v KOSu na daný týden zatím žádný termín není vypsaný), je možné se domluvit individuálně (emailem).

Prezentace studentů. Účast na všech třech hodinách je velmi žádoucí :)
Pokud se své prezentace nebudete moct zúčastnit (ze závažných, např. zdravotních důvodů), je třeba dát vědět předem. Pokud někdo nedorazí na termín své vlastní prezentace bez omluvy předem, beru to jako porušení nezbytné podmínky pro získání zápočtu. Prezentace aktuálního stavu vašeho projektu před ostatními nejpozději tento týden je z hlediska zápočtu povinná.
POZOR: kvůli probíhající rekonstrukci učebny T105 bude výuka probíhat v učebně T124
Předběžný rozvrh prezentací:
- Pondělí 19. května 2025, 8:00, T124
  - Rozpoznávání ručně psaných partií šachů ❌ (prezentace byla ve čtvrtek)
  - Klasifikace ovoce ❌
  - Klasifikace rýže ✅
  - Heart Disease Cleveland ❌ 📭 (předem omluveno, prezentace proběhla v úterý)
- Úterý 20. května 2025, 8:00, T124
  - Klasifikace typu fotbalového hráče ✅
  - Termodynamické vlastnosti fononů ✅
  - Klasifikace smajlíků ❌
  - Konvergence číselných řad ✅
  - Heart Disease Cleveland - z pondělí ✅
- Čtvrtek 22. května 2025, 8:00, T124
  - Klasifikace geometrických tvarů ✅
  - Klasifikace odpadu ✅
  - Rozpoznávání matematických symbolů ✅
  - Supravodivé materiály a regresní úloha ✅
  - Rozpoznávání ručně psaných partií šachů - z pondělí ✅

Učení bez učitele (samoorganizace, unsupervised learning)
- Shlukování - dokončení.
- Samoorganizující se modely neuronových sítí - úvod. Kompetitivní modely: WTA. Neural Gas. Kohonenovy mapy.
Hybridní modely neuronových sítí: LVQ. Counter propagation. RBF.
hodina22.pdf
Ukázky a příklady: SOM, Neural GAS
Ukázky a příklady: Winner takes all (online k-means)
Ukázky a příklady: hierarchické shlukování

Učení bez učitele (samoorganizace, unsupervised learning)
- Shlukování - pokračování: algoritmus k středů, hierarchické shlukování.
hodina21.pdf
Ukázky a příklady: k-means
Ukázky a příklady: hierarchické shlukování

Učení konvoluční neuronové sítě od začátku, vizualizace.
Efektivní zpracování obrazových dat knihovnami, využití data loaderů.
Techniky pro zlepšení zobecňování. Augentace dat. Přenesené učení, fine-tuning - pouze úvod.
Praktické příklady.

Vrstevnatá neuronová síť (MLP - multilayer perceptron) - dokončení.
- Dokončení příkladu z minule - Predikce časové řady.
- Schopnost vrstevnaté neuronové síě zobecňovat a techniky bránící přeučení. Příklady.
Konvoluční neuronová síť (CNN - convolutional neural network) - úvod, operace konvoluce, architektura modelu, ukázky.
hodina15.pdf
hodina16.pdf
Ukázky a příklady - MLP.
Ukázky a příklady - CNN.

Vrstevnatá neuronová síť (MLP - multilayer perceptron) - pokračování.
Dokončení příkladu z minule - MLP v Kerasu a nastavení hyperparamerů. Ladění. TensorBoard.
Více o algoritmech učení
Ukázky řešení úloh různých typů pomocí MLP (klasifikace, regrese, predikce časové řady).
hodina13.pdf
Ukázky a příklady - Příklad na binární klasifikaci.
Ukázky a příklady - Příklady na další typy úloh.

Neuronová síť s více vrstvami (MLP - multilayer perceptron) - knihovny a příklady.
Úvod do Pythonovských knihoven pro hluboké neuronové sítě. Instalace. Podrobněji o Kerasu. TensorBoard.
Analýza modelu vrstevnaté neuronové sítě. Podrobná ukázka práce s Kerasem na vzorové úloze. Nastavení hyperparaetrů a jejich vliv na průběh učení.
hodina11.pdf
Ukázky a příklady - Ukázky implentací vrstevnaté neuronové sítě pomocí různých frameworků
Ukázky a příklady - Instrukce k instalaci knihoven, příklady.

Neuronová síť s jednou vrstvou neuronů - dokončení, praktické příklady.
Neuronová síť s více vrstvami (MLP - multilayer perceptron) - úvod, algoritmus zpětného šíření chyby (back-propagation).
Úvod do Pythonovských knihoven pro hluboké neuronové sítě.
hodina9.pdf
Ukázky a příklady - Neuronová síť s jednou vrstvou neuronů.
Ukázky a příklady - Ukázky implentací vrstevnaté neuronové sítě pomocí různých frameworků

Neurony se spojitou přenosovou funkcí a jejich učení gradientní metodou. Ukázky a praktické příklady.
Neuronová síť s jednou vrstvou neuronů - úvod, zpracování kategoriálních dat.
hodina6.pdf
Ukázky a příklady - Lineární neuron a jeho učení, Obecný perceptron a jeo učení, praktické úlohy.
Ukázky a příklady - Neuronová síť s jednou vrstvou neuronů.

Perceptron a jeho algoritmy učení: Praktické příklady - dokončení.
Lineární neuron a jeho algoritmy učení. Ukázky a praktické příklady.
Neurony se spojitou přenosovou funkcí a jejich učení gradientní metodou. Ukázky a praktické příklady.
hodina5.pdf
Ukázky a příklady - Rosenblattův algoritmus a jeho varianty, praktické úlohy
Ukázky a příklady - Lineární neuron a jeho učení, Obecný perceptron a jeo učení, praktické úlohy

Perceptron a reprezentace logických funkcí. Logický prahový obvod. Dokončení + příklady.
Perceptron a lineární separabilita.
Perceptron a jeho algoritmy učení. Příklady (ukázky).
Perceptron a jeho algoritmy učení: Praktické příklady (cvičení).
hodina3.pdf
Ukázky a příklady - Rosenblattův algoritmus a jeho varianty, praktické úlohy

prednaska1.pdf
- O předmětu. Rozcestník. Podmínky získání zápočtu
- Úvod do strojového učení a umělých neuronových sítí.
- Strojové učení. Typy úloh. Průběh řešení úlohy strojového učení.
- Stručná historie umělých neuronových sítí.
prednaska2.pdf
- Od biologického neuronu k umělému neuronu
- Perceptron. Geometrická interpretace
- Reprezentace logických funkcí. Logický prahový obvod.
- Dobrovolný (bonusový) domácí úkol: navrhnout logickou funkci a co nejmenší perceptronovou síť (logický prahový obvod) pro XOR. Popř. vymyslet víc variant.
- Příklad - ukázka perceptronu + jeho geometrická interpretace ve 2D
- Ukázka použití numpy a dalších balíčků (matplotlib, pandas). Převzato z jiného kurzu. Na hodině jsme si zatím ukazovali jen numpy.