Základy strojového učení

Strojové učení je podoblast umělé inteligence zabývající se tvorbou programů, které se učí z dat. Strojové učení souvisí s tématem práce s daty, zejména s jejich sběrem a evidencí. V rámci základního přehledu strojového učení najdete v následující témata:

• Učení z příkladů – ukázky, jak se počítače mohou naučit vyřešit problém z poskytnutých příkladů; zaměření na interaktivní příklady budující intuitivní pochopení
• Princip strojového učení – co to je strojové učení, v čem spočívá rozdíl oproti klasickému programování, na co se strojové učení hodí
• Úlohy strojového učení – typy úloh, které lze pomocí strojového učení řešit (např. klasifikace, regrese, shlukování, generování)
• Postup strojového učení – jak přistupujeme k řešení těchto úloh (např. učení s učitelem a bez učitele, neuronové sítě a jiné modely)
• Vyhodnocení strojového učení – rozlišení mezi generalizací a pouhou memorizací, rozpoznání podučení a přeučení, srovnání kvality různých modelů
• Zkreslení strojového učení – co je to zkreslení (předpojatost), jak jej rozpoznat a co se s tím dá dělat
• Strojové učení: pojmy – přehled klíčových pojmů často používaných v textech o strojovém učení