Data science a strojové učení

Předmět Principy umělé inteligence vám poskytne ucelený úvod do základních konceptů a metod, na kterých je postavena moderní umělá inteligence. Seznámíte se s tím, jak AI systémy reprezentují znalosti, řeší úlohy ve stavovém prostoru a jakým způsobem probíhá automatické usuzování a rozhodování. Naučíte se rozlišovat různé přístupy k řešení problémů a chápat jejich předpoklady, výhody i omezení.

V průběhu předmětu získáte přehled o základních principech strojového učení, adaptace a práce s neurčitostí, stejně jako o návrhu agentních systémů a zpracování znalostí. Naučíte se aplikovat vybrané algoritmy a metody na konkrétní úlohy a posuzovat jejich vhodnost pro řešení reálných problémů. Předmět vám vytvoří teoretický základ pro další studium specializovaných oblastí umělé inteligence a pro jejich praktické využití v oblasti data science a AI aplikací.

Garantem předmětu je Petr Berka.

Předmět Grafová a relační data: reprezentace a analýza (v angličtině) vám poskytne hlubší porozumění grafově strukturovaným datům a jejich využití v moderních datových a AI aplikacích. Navážete na znalosti z databázových systémů a rozšíříte je směrem ke grafovým datovým modelům, zejména RDF a property graph. Naučíte se navrhovat strukturu grafových dat, vytvářet a propojovat datasety z různých zdrojů a efektivně se v nich dotazovat pomocí specializovaných jazyků.

V průběhu předmětu si vyzkoušíte publikování grafových dat na webu a práci s nástroji pro jejich validaci a sdílení. Získáte také úvod do analytických úloh nad grafovými a relačními daty, včetně základů dolování znalostí, vektorové reprezentace grafů a aplikace metod strojového učení. Předmět vám umožní propojit teorii s praxí prostřednictvím projektů a lépe porozumět tomu, jak grafová data podporují znalostní systémy, sémantický web a moderní přístupy v oblasti AI a data science.

Na předmětu se potkáte s jeho garantem Vojtěchem Svátkem.

Předmět **Metadovednosti pro praxi** vám umožní rozvíjet klíčové interpersonální a profesní dovednosti, které jsou nezbytné pro úspěšnou realizaci odborných návrhů v reálné praxi. Zaměřuje se na propojení odborných znalostí s rozvojem měkkých dovedností, jako je efektivní týmová spolupráce, komunikace, leadership a schopnost prosazovat řešení vůči různým stakeholderům. Naučíte se přistupovat k řešení komplexních problémů systematicky, od jejich identifikace až po strategickou komunikaci a implementaci návrhů založených na důkazech.

V průběhu předmětu budete pracovat v týmech na konkrétních úkolech inspirovaných praxí a rozvíjet dovednosti kritického a kreativního myšlení, time managementu i práce s neúspěchem. Vyzkoušíte si pokročilé techniky prezentace, storytellingu a strategické komunikace v českém i anglickém jazyce a naučíte se využívat moderní nástroje včetně technologií AI pro podporu týmové práce a obhajobu navržených řešení. Výstupem je prezentace návrhu implementace řešení, která simuluje reálné pracovní prostředí a připraví vás na profesní výzvy v oblasti AI a data science.

Předmět je vyučován pro studenty napříč navazujícími magisterskými programy Fakulty informatiky a statistiky. Garantkou je Jana Holá z Katedry infomračních technologií.

Předmět Velké jazykové modely vám poskytne hlubší porozumění architektuře a principům fungování moderních jazykových modelů, které dnes hrají klíčovou roli v oblasti zpracování přirozeného jazyka. Seznámíte se s vývojem neuronových sítí a transformerových architektur a pochopíte, jak jsou velké jazykové modely trénovány a optimalizovány. Naučíte se, jak tyto modely reprezentují jazyk a jaké jsou jejich silné stránky i omezení při řešení jazykových úloh.

V průběhu předmětu si vyzkoušíte praktické využití velkých jazykových modelů při generování textu, strojovém překladu, sumarizaci nebo analýze sentimentu. Naučíte se navrhovat a implementovat řešení pro konkrétní jazykové úlohy, provádět ladění a hodnocení výkonu modelů a pracovat s přístupy, jako je Retrieval Augmented Generation. Předmět vám zároveň pomůže porozumět etickým a technickým výzvám spojeným s využíváním těchto technologií a zorientovat se v současných trendech a výzkumu v oblasti velkých jazykových modelů.

Garantem předmětu je Tomáš Kliegr.

Předmět Optimalizační metody vám poskytne úvod do základních optimalizačních modelů a technik, které se využívají při podpoře ekonomického a manažerského rozhodování. Seznámíte se s různými typy optimalizačních úloh, jejich klasifikací a typickými aplikačními oblastmi. Naučíte se chápat roli účelové funkce, omezení a rozhodovacích proměnných a porozumíte principům lineárního, celočíselného i nelineárního programování v kontextu reálných rozhodovacích problémů.

V praktické části si vyzkoušíte formulaci a řešení optimalizačních úloh v jazyce Python a získáte přehled o softwarových nástrojích používaných pro modelování a optimalizaci. Naučíte se interpretovat výsledky, pracovat s dualitou a analýzou citlivosti a pochopíte omezení jednotlivých přístupů z hlediska výpočetní náročnosti. Předmět vám umožní aplikovat optimalizační metody na konkrétní situace z praxe a vytvoří základ pro další studium pokročilejších optimalizačních technik.

Garantem je Ondřej Sokol z Katedry ekonometrie.

Předmět Diplomový seminář vám poskytne systematickou podporu při zpracování diplomové práce od jejího zadání až po přípravu na obhajobu. Seznámíte se se všeobecnými zásadami vypracování diplomové práce, správnou prací s informačními zdroji a požadavky kladenými na odborný i formální obsah práce. Předmět vám pomůže strukturovat vlastní postup práce a průběžně ověřovat, že zvolené řešení odpovídá akademickým standardům.

V rámci semináře budete diskutovat průběžné výsledky své práce, konzultovat konkrétní problémy a získávat zpětnou vazbu od vyučujících i ostatních studentů. Naučíte se připravit práci k obhajobě, srozumitelně prezentovat dosažené výsledky a obhajovat zvolený přístup i závěry. Předmět vám vytvoří podmínky pro úspěšné dokončení a obhajobu diplomové práce.

Předmět Interpretovatelné metody strojového učení a AI vám poskytne přehled metod a postupů, které umožňují srozumitelně prezentovat vztahy v datech a výsledky analytických modelů jejich uživatelům. Seznámíte se s tím, kdy je interpretovatelnost modelů nezbytná a jakou roli hraje při rozhodování v praxi. Naučíte se pracovat s kategoriálními daty, využívat kontingenční tabulky a postupně přejdete k pokročilejším metodám, jako je dolování asociačních pravidel, hledání podskupin nebo výjimek v datech.

V praktické části si vyzkoušíte kompletní analytický proces od získání a profilování dat přes jejich přípravu až po hledání znalostí a jejich interpretaci. Naučíte se rozlišovat, které výsledky mají skutečný přínos pro vysvětlení fungování dané oblasti nebo businessového problému, a jak tyto poznatky efektivně komunikovat. Předmět vám poskytne základy interpretovatelných algoritmů i přístupů Explainable AI a pomůže vám lépe chápat a vysvětlovat chování modelů strojového učení v reálných aplikacích.

Garantem předmětu je Petr Máša.

Předmět Modelování v Data Science vám poskytne ucelený pohled na propojení regresní analýzy a metod strojového učení, které tvoří základ moderní data science. Naučíte se systematicky přemýšlet o volbě modelů a metod v závislosti na charakteru dat a cílech analýzy, ať už jde o predikci, vysvětlování vztahů nebo hledání kauzálních souvislostí. Seznámíte se s různými třídami modelů a pochopíte jejich silné stránky, omezení i míru interpretovatelnosti v reálných aplikacích.

V průběhu předmětu si osvojíte postupy specifikace modelů, volby vhodných odhadových technik a způsobů validace výsledků. Naučíte se pracovat s časovou dimenzí dat, porozumíte vztahům mezi statistickými modely a modely strojového učení a získáte přehled o principech ensemble learningu pro dosažení robustních predikcí. Předmět vám umožní činit informovaná rozhodnutí při řešení komplexních datových úloh a efektivně využívat nástroje a prostředí, jako jsou Python a R, v kontextu analytického a modelovacího procesu.

Garantem předmětu je Petra Tomanová z Katedry ekonometrie.

Předmět Dynamické modely (v angličtině) vám poskytne hlubší porozumění stochastickým procesům a jejich využití při modelování časových řad a dynamických jevů, zejména v oblasti ekonomických a finančních dat. Seznámíte se s teoretickými základy dynamických regresních modelů a modelů časových řad a naučíte se rozpoznat jejich vhodnost pro různé typy dat, včetně nestacionárních procesů, sezónnosti a strukturálních změn. Důraz je kladen na schopnost interpretovat modely a pracovat s nejistotou, která je pro reálné aplikace typická.

V praktické části si vyzkoušíte formulaci, odhad a numerické vyhodnocování dynamických modelů v prostředích R a Python. Naučíte se provádět predikce časových řad, hodnotit jejich kvalitu a analyzovat rizika, včetně modelování volatility, extrémních událostí a vysokofrekvenčních dat. Předmět vám poskytne nástroje pro práci s komplexními dynamickými daty a připraví vás na aplikaci pokročilých statistických metod v oblasti data science, ekonometrie a finanční analýzy.

Garantem předmětu je Vladimír Holý z Katedry ekonometrie.

Předmět Paralelní a GPU programování pro strojové učení vám poskytne teoretické i praktické základy paralelního výpočtu a využití GPU akcelerace při analýze dat a strojovém učení. Seznámíte se s principy paralelního programování, architekturou GPU a s tím, kdy a proč je vhodné akcelerované výpočty použít. Naučíte se pracovat s programovacím modelem CUDA a pochopíte, jak paměťová hierarchie a paralelní zpracování ovlivňují výkon algoritmů.

V praktické části si vyzkoušíte práci s moderními knihovnami pro GPU akceleraci v Pythonu, jako jsou cuDF a CuPy, a seznámíte se se zpracováním velkých dat pomocí technologií Apache Spark a PySpark. Naučíte se navrhovat a optimalizovat paralelní a distribuované úlohy, porovnávat výkon CPU a GPU a aplikovat GPU akceleraci na vybrané algoritmy strojového učení. Závěrečný projekt vám umožní využít získané znalosti při řešení reálného úkolu zaměřeného na efektivní zpracování rozsáhlých datových sad.

Garantem tohoto předmětu je Tomáš Kliegr.

Předmět **Případové studie z Data Science** vám nabídne možnost aplikovat metody statistického modelování, ekonometrie a strojového učení na konkrétní problémy inspirované reálnou praxí. Prostřednictvím série případových studií si vyzkoušíte celý analytický proces – od formulace problému a přípravy dat přes návrh a implementaci vhodných modelů až po interpretaci výsledků. Pracovat budete ve skriptovacích jazycích Python nebo R a postupně si osvojíte schopnost činit informovaná rozhodnutí na základě dat.

V průběhu předmětu budete rozvíjet analytické a kritické myšlení, samostatnou práci i schopnost spolupráce v týmu. Naučíte se formulovat hypotézy, hodnotit platnost a omezení použitých modelů a efektivně komunikovat dosažené výsledky písemně i ústně různým cílovým skupinám. Předmět vám umožní pracovat s různorodými a komplexními datovými sadami a poskytne vám praktickou zkušenost s řešením komplexních datových úloh, se kterými se můžete setkat v profesionální praxi data science.

Garantkou tohoto předmětu je Petra Tomanová z Katedry ekonometrie.

Předmět Matematická optimalizace vám poskytne systematický přehled optimalizačních úloh a algoritmů, které se využívají při řešení ekonomicky motivovaných problémů, analýze dat a v operačním výzkumu. Seznámíte se s klíčovými pojmy, jako jsou podmínky optimality, dualita, konvexita a výpočetní složitost, a naučíte se rozlišovat mezi lokálními a globálními přístupy k optimalizaci. Předmět propojuje teoretické základy s praktickými souvislostmi a ukazuje, jak správná formulace problému ovlivňuje volbu řešení i interpretaci výsledků.

V průběhu předmětu si osvojíte metody lineární, konvexní, diskrétní i globální optimalizace a seznámíte se s přístupy pro práci s nejistotou, jako je robustní a stochastické programování. Naučíte se posuzovat efektivitu jednotlivých algoritmů, zohledňovat numerickou stabilitu a výpočetní náročnost a chápat omezení používaných metod. Předmět vám umožní zvolit vhodný optimalizační přístup pro konkrétní úlohu, porozumět získaným řešením a interpretovat je v kontextu reálných datových a rozhodovacích problémů.

Předmět je za 6 kreditů, garantem je Miroslav Rada z Katedry ekonometrie.

Předmět Prostorové modely vám poskytne teoretické i praktické základy analýzy georeferencovaných dat a jejich využití v data science, ekonomii a příbuzných oblastech. Seznámíte se s různými typy prostorových dat, souřadnicovými systémy a zdroji geodat a naučíte se pracovat s rastrovými i vektorovými daty. Získáte porozumění specifikům prostorové závislosti a naučíte se používat základní i pokročilé statistické metody, které zohledňují prostorový kontext dat.

V průběhu předmětu si vyzkoušíte aplikaci parametrických i neparametrických ekonometrických modelů na reálná prostorová data, zejména v prostředí R. Naučíte se analyzovat prostorovou autokorelaci, využívat interpolační metody a pracovat s prostorovými regresními modely na průřezových i panelových datech. Případové studie vám umožní propojit teorii s praxí a rozvinout schopnost správně interpretovat a srozumitelně prezentovat výsledky analýz v kontextu územního plánování, environmentálních aplikací nebo ekonomických problémů.

Předmět je za 6 kreditů, garantem je Tomáš Formánek z Katedry ekonometrie.

Předmět Umělé neuronové sítě a hluboké učení vám poskytne pevné teoretické základy i praktické dovednosti v oblasti neuronových sítí a jejich využití při zpracování obrazových a textových dat. Seznámíte se se základními principy fungování umělých neuronových sítí, jejich vztahem k biologickým neuronovým sítím a s klíčovými pojmy, jako jsou učení, aktivační a ztrátové funkce, kapacita modelu, regularizace či generalizace. Naučíte se rozumět tomu, jak a proč neuronové sítě fungují a jaké faktory ovlivňují jejich chování a výkon.

V praktické části si vyzkoušíte návrh, trénování a použití hlubokých neuronových sítí v programovacím jazyce Python. Naučíte se pracovat s konvolučními neuronovými sítěmi pro obrazová data, s rekurentními sítěmi a transformery pro textová data a seznámíte se s principy přeneseného učení, obohacování dat a generativních modelů. Předmět vám umožní aplikovat moderní přístupy hlubokého učení na reálné úlohy a lépe porozumět jejich možnostem i omezením v praxi.

Předmět je za 6 kreditů, garantem je Ondřej Zamazal.

Předmět Funkcionální programování vás seznámí se základními principy funkcionálního programování a s jejich praktickým využitím v moderních hybridních programovacích jazycích, jako je Kotlin nebo Scala. Naučíte se chápat rozdíly mezi objektově orientovaným a funkcionálním paradigmatem a vhodně je kombinovat při návrhu a implementaci aplikací. Důraz je kladen na praktickou práci – postupně si osvojíte práci s datovými typy, řídicími konstrukcemi, imutabilitou a tvorbou funkcí, včetně čistých funkcí, funkcí vyššího řádu a lambda výrazů.

V průběhu cvičení získáte zkušenosti s návrhem a implementací jednodušších aplikací ve zvoleném jazyce a seznámíte se s testováním funkcionálního kódu, asynchronním a reaktivním programováním i základy paralelizace. Vyzkoušíte si využití funkcionálního programování při vývoji desktopových a serverových aplikací, včetně kontejnerizace, a získáte přehled o možnostech jeho uplatnění v mobilním vývoji, strojovém učení a umělé inteligenci. Semestrální práce Vám umožní propojit jednotlivá témata do uceleného řešení a prakticky si ověřit získané znalosti při tvorbě reálné aplikace.

Předmět je za 4 kredity, garantem je Václav Zeman.

Jde o jeden z předmětů specializace Vývoj software a technologie umělé inteligence.

Předmět Agilní projekt vývoje aplikací využívajících AI je zaměřen na praktickou realizaci softwarového projektu, ve kterém si vyzkoušíte vývoj aplikace využívající vhodný model umělé inteligence. V menším týmu projdete celým procesem od převodu business zadání do konkrétních cílů projektu a backlogu až po funkční řešení. Seznámíte se s principy agilního řízení projektů, zejména metodikou SCRUM, a naučíte se efektivně spolupracovat v týmu a reagovat na změny, které jsou pro vývoj AI aplikací typické.

V průběhu předmětu získáte praktické zkušenosti s aplikovanou tvorbou AI modelů – od přípravy dat a výběru vhodného přístupu přes iterativní vývoj a experimentování až po integraci modelu do softwarové aplikace. Vyzkoušíte si návrh architektury aplikace, základní principy UI/UX, testování, automatizaci i nasazení. Předmět Vám umožní propojit znalosti z předchozích kurzů a uplatnit je v uceleném týmovém projektu, včetně reflexe průběhu práce a prezentace dosažených výsledků.

Předmět je za 8 kreditů, garantem je Stanislav Vojíř.

Jde o jeden z předmětů specializace Vývoj software a technologie umělé inteligence.