Příprava na přijímací zkoušky: Umělá inteligence a data science

Tyto kartičky slouží k přípravě na přijímací test z oblasti Umělá inteligence a data science, pokrývají teorii algoritmů, programování, databáze a strojové učení.

Algoritmus

Postup pro řešení úlohy s využitím algoritmických konstrukcí, který má definovanou složitost a prostředky pro zápis.

Složitost algoritmu

Měřítko náročnosti algoritmu na výpočetní zdroje, obvykle v závislosti na velikosti vstupu.

Algoritmicky neřešitelné problémy

Problémy, pro které neexistuje algoritmus, jenž by je dokázal vždy vyřešit v konečném čase.

Vysvětlitelnost (XA)

Oblast zaměřená na porozumění transparentním „white-box“ modelům a interpretaci „black-box“ modelů.

White-box modely

Transparentní modely umožňující přímé porozumění jejich fungování, jako jsou rozhodovací stromy nebo pravidla.

Feature importance

Význam prediktorů, který určuje vliv jednotlivých vstupních proměnných na výsledek modelu.

LIME a SHAP

Specifické metody určené pro interpretaci složitých „black-box“ modelů.

BoW (Bag of Words)

Způsob reprezentace textových dokumentů založený na četnosti výskytu slov.

TF-IDF

Metoda reprezentace textu a hodnocení relevance slov v rámci dokumentů a korpusu.

Vektorové vnoření (embeddings)

Reprezentace textových dokumentů nebo slov ve formě vektorů v multidimenzionálním prostoru.

Objektově orientované programování (OOP)

Programovací paradigma využívající koncepty jako třída, objekt, dědičnost, polymorfismus a zapouzdření.

Procedurální programování

Programovací paradigma postavené na postupu kroků a volání podprogramů (procedur).

MVC (Model-View-Controller)

Architektonický vzor rozdělující aplikaci na datový model, uživatelské rozhraní a řídicí logiku.

Git

Nástroj určený pro správu verzí softwaru během vývoje.

API

Rozhraní pro programování aplikací, které definuje způsob komunikace mezi různými softwarovými komponentami.

NoSQL databáze

Databázové systémy určené pro ukládání dat bez pevných relačních vazeb, často pro nestrukturované formáty.

Strojové učení s učitelem

Metody učení na základě dat se známými výstupy, zahrnující logistickou regresi, $K$-NN, rozhodovací lesy či perceptron.

$K$-NN

Algoritmus strojového učení založený na klasifikaci nebo regresi podle nejbližších sousedů.

Strojové učení bez učitele

Metody pro analýzu dat bez předem známých výstupů, např. $k$-means, aglomerativní shlukování nebo asociační pravidla.

Matice záměn (confusion matrix)

Nástroj pro evaluaci klasifikačních modelů porovnávající predikované hodnoty se skutečnými.

Precision a Recall

Metriky přesnosti a úplnosti využívané při vyhodnocování kvality modelů strojového učení.

ROC křivka a AUC

Analýza závislosti senzitivity a specificity; AUC vyjadřuje plochu pod touto křivkou.

Křížová validace

Metoda pro objektivní evaluaci modelu rozdělením dat na trénovací a testovací sady.

Metoda nejmenších čtverců

Statistická metoda používaná pro odhad parametrů v lineárním regresním modelu.