Drazí, dumal jsem nad tím, jak by měl být didakticky uspořádán náš
text a myslím si následující: 

* vysvětlit, co je to strojové učení 

* perceptron (didakticky bych je dal jako první, pro pokročilé bych
  nechal důkaz) 

* úvod do statistiky a pravděpodobnosti k tomu malý úvod do teorie
  informace

* jako součást té statistiky tak trochu dojít k logistické regresi 

* jako k vyústění podmíněné pravděpodobosti dojít k naive baysovi jako
  vyústění podmíněné pravděpodobnosti 

* vysvětlit rozdíl mezi diskriminativním a generativním modelem (zpětně
  rozhodnot, proč je perceptron diskriminativní) ... moc hezký článek o
  tom měl Ng a používá tam taky jenom NB a LR

* intermezzo: přeučení, je potřeba normalizovat featury

* geometrická intuice (oddělení regionu špatných a dobrých bodů) ...
  dovede nás k SVM (zatím jenom lineární) problém, v geometrické intuici
  se hodí large margin najednou

* data nejsou lineárně separovatelná - triviální a intuitivní řešení
  rozhodovací stromy řešení pro velké kluky a holky: kernel v SVM řešení
  nové doby - neuronové sítě

Ještě bych zařadil: testování hypotéz (to je taky svého druhu strojové
učení) 

Co bych nechal do druhého dílu: regrese, strukturní predikce (structured
perceptron, structured SVM, CRF, neural CRF, SEARN/DAgger), clustering

S úctou
J.

-------------------------------------------------------------------------------

Tomáš:

* předmluva

  - o matematických a jiných pojmech (jak se liší třeba „pravděpodobnost“ v matematice a běžné mluvě)
  - strojové učení ~ modelování vztahů v datech

* lineární regrese

* perceptron

* evaluace

  - precision a recall
  - crossvalidation 

* logistická regrese

* SVM

* rozhodovací stromy, naivní Bayes, grafické modely

* clusterování: k-means, obecný EM algoritmus (srovnání s koevolucí)

* one vs. all

* unsupervised learning, reinforced learning

* neuronky

Osnova pana Ng (https://www.coursera.org/learn/machine-learning):

* Introduction

* Linear Regression with One Variable

  - Model Representation

  - Cost Function

  - Gradient Descent

* Linear Regression with Multiple Variables

* Logistic Regression

  - Classification

  - Hypothesis Representation

  - Decision Boundary

* Regularization

* Neural Networks: Representation

* Neural Networks: Learning

* Advice for Applying Machine Learning

  - Evaluating a Hypothesis

  - Model Selection and Train/Validation/Test Sets
 
  - Diagnosing Bias vs. Variance

  - Regularisation and Bias/Variance

  - Learning Curves

* Machine Learning System Design

* Support Vector Machines

* Unsupervised Learning

* Dimensionality Reduction

* Anomaly Detection

* Recommender Systems

* Large Scale Machine Learning

* Application Example: Photo OCR

-------------------------------------------------------------------------------

Jindřich:

samozřejmě ještě evaluace ... precision a recall

do strukturní predikce je potřeba zahrnout ještě HMM (a pečlivější zopakování
generativní a diskriminativní na příkladu CRF a HMM)