Úvod do strojového učení: Definice, historie, aplikace a základní pojmy.

Typy strojového učení a problémy

Supervised, unsupervised a reinforcement learning.

Předzpracování dat

Typy dat, Čištění dat, škálování, normalizace, featurizace / feature engineering.

Modelová validace a hodnocení

Křížová validace, metriky výkonnosti (accuracy, precision, recall, F1-score).

Principy regularizace a hyperparameter tuning.

Základní regresní a klasifikační modely

Lineární a logistická regrese, jejich aplikace a hodnocení pro použití v machine learningu, K-Nearest Neighbors, Naive Bayes.

Clustering a redukce dat a jejcih využití v machine learningu

K-means, hierarchický clustering. PCA.

Regresní a rozhodovací stromy.

Ensemble learning

Random Forests, Bagging, Boosting.

Support Vector machines.

Aplikace a případové studie: Reálné aplikace strojového učení v různých odvětvích.