Doktorandi získají přehled o metodách výpočetní inteligence a analýze dat a dokáží se orientovat v klasických i
nejnovějších trendech umělé inteligence využívající zejména strojové učení a neuronové sítě. Hlubší náhled a dovednosti studenti získají vypracováním předmětového projektu na zadané téma podle zaměření konkrétního doktoranda nebo studijní skupiny.
•Historie výpočetní a umělé inteligence, datové analytiky a dataminingu
•Základy strojového učení, adaptační algoritmy, optimalizace
•Princip supervizorovaných neuronových sítí pro predikci a klasifikaci
•Základní metody analýzy dat (lineární a nelineární korelační analýzy, MI, PCA, SVD)
•Metody automatického třídění dat (clustering) a metody vizualizace N-rozměrných dat (k-means, PCA, SVD, tSNE)
•Samoorganizační mapy
•Základy metod a nástrojů zpracování velkých dat (BigData, k-medoids, Hadoop, MapReduce, Spark)
•Autoenkodéry pro klasifikace a redukci dimenzionality
•Detekce neočekávaných stavů neuronovými sítěmi
•Nové metody výpočetní inteligence pro zpracování dat (DeepLearning, Transfer Learning, Transformer neural
networks,…)

•DAVID B FOGEL, DERONG LIU a JAMES M KELLER. Fundamentals of Computational Intelligence: Neural
Networks, Fuzzy Systems, and Evolutionary Computation. Piscataway, NJ: IEEE Press, 2016. ISBN 978-1-119-
21434-2.
•RAMSUNDAR, Bharath a Reza Bosagh ZADEH. TensorFlow for deep learning: from linear regression to
reinforcement learning. 2018. ISBN 978-1-4919-8042-2.
•LECUN, Yann, Yoshua BENGIO a Geoffrey HINTON. Deep learning. Nature. 2015, 521(7553), 436–444.
•BUKOVSKY, Ivo, Witold KINSNER a Noriyasu HOMMA. Learning Entropy as a Learning-Based Information
Concept. Entropy [online]. 2019, 21(2), 166. ISSN 1099-4300. Doi:10.3390/e21020166