1. Ensemble Learning: Základní myšlenka, paralelní techniky (voting, bagging, ?), sekvenční techniky (boosting metody, gradient boosting metody) 2. Úvod do hlubokého učení (Deep Learning). Dopředné umělé neuronové sítě (Multi-Layer Perceptron, MLP) a algoritmus Backpropagation 3. Optimalizační metody a regularizace v hlubokém učení 4. Konvoluční neuronové sítě (Convolutional Neural Networks, CNN), pokročilé architektury (ResNet, ?), Transfer Learning 5. Zpracování sekvenčních dat: Rekurentní neuronové sítě (RNN) 6. Řešení dlouhodobých závislostí: Architektury LSTM a GRU 7. Mechanismus pozornosti (Attention) a Query-Key-Value formalismus 8. Architektura Transformer a moderní jazykové modely (LLM) 9. Hluboké generativní modely: Variační autoenkodéry (VAE) a GAN 10. Zpětnovazební učení (Reinforcement Learning) a Deep Q-Network (DQN)
|
-
Bishop, Ch.M., Bishop, H. (2024). Deep Learning: Foundations and Concepts.
-
Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. Sebastopol.
-
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
-
Hastie, T., Tibshirani, R., Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.
-
Higham, C. F., Higham, D. J. (2019). Deep Learning: An Introduction for Applied Mathematicians.
-
Chollet, F. (2021). Deep Learning with Python.
-
Murphy, K. P. (2023). Probabilistic Machine Learning: Advanced Topics.
-
Prince, S. J. (2023). Understanding Deep Learning.
-
Sutton, R. S., Barto, A. G. (2018). Reinforcement Learning: An Introduction.
-
Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2023). Dive into Deep Learning.
|