Logo ČVUT
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
STUDIJNÍ PLÁNY
2019/2020

Laboratoř statistického modelování

Přihlášení do KOSu pro zápis předmětu Zobrazit rozvrh
Kód Zakončení Kredity Rozsah Jazyk výuky
NI-LSM KZ 5 3C česky
Přednášející:
Cvičící:
Kamil Dedecius (gar.)
Předmět zajišťuje:
katedra aplikované matematiky
Anotace:

The subject is oriented on a low-level approach to Bayesian statistical and information-theoretical modelling, where the student both learns the existing methods (regression models, Kalman filtering, models fusion, etc.) and tries to implement them. That is, instead of the (standard) intensive use of high-level libraries like pandas, scikit-learn or statsmodels, the stress is put on the use of numpy and scipy, as well as the low-level algebra and calculus. The second half of the semester is focused on the design of methods and algorithms, and analyses of their properties. At this point, the subject is on the border of own research and may result in the topic of final work (diploma or bachelor thesis).

Požadavky:

BI-LIN, BI-ZMA

Ideálně BI-PST

Osnova přednášek:

1. Úvod do statistického modelování, bayesovský přístup.

2. Lineární model, apriorní a aposteriorní informace.

3. Sekvenční odhadování, lineární regrese, proměnné parametry.

4. Stavové modely, filtrace stavů.

5. Míchání modelů: Bayesovské průměrování modelů.

6. Informační divergence, Kullback-Leiblerova divergence, použití.

7. Projekt: Zadání problému.

8. Projekt: Analýza stavu poznání.

9. Projekt: Návrh vhodných řešení.

10. Projekt: Implementace navržených řešení.

11. Projekt: Analýza dosažených výsledků.

12. Projekt: Vyhodnocení.

Osnova cvičení:

1. Úvod do statistického modelování, bayesovský přístup.

2. Lineární model, apriorní a aposteriorní informace.

3. Sekvenční odhadování, lineární regrese, proměnné parametry.

4. Stavové modely, filtrace stavů.

5. Míchání modelů: Bayesovské průměrování modelů.

6. Informační divergence, Kullback-Leiblerova divergence, použití.

7. Projekt: Zadání problému.

8. Projekt: Analýza stavu poznání.

9. Projekt: Návrh vhodných řešení.

10. Projekt: Implementace navržených řešení.

11. Projekt: Analýza dosažených výsledků.

12. Projekt: Vyhodnocení.

Cíle studia:
Studijní materiály:

1. Andrew Gelman et al., Bayesian Data Analysis, Chapman and Hall (2013), ISBN 1439840954.

2. David Barber, Bayesian Reasoning and Machine Learning, Cambridge University Press (2012), ISBN 978-0-521-51814-7.

Poznámka:
Rozvrh na zimní semestr 2019/2020:
Rozvrh není připraven
Rozvrh na letní semestr 2019/2020:
06:00–08:0008:00–10:0010:00–12:0012:00–14:0014:00–16:0016:00–18:0018:00–20:0020:00–22:0022:00–24:00
Po
Út
St
místnost T9:351
Dedecius K.
10:00–12:30
(paralelka 101)
Dejvice
NBFIT PC ucebna
Čt

Předmět je součástí následujících studijních plánů:
Platnost dat k 23. 2. 2020
Aktualizace výše uvedených informací naleznete na adrese http://bilakniha.cvut.cz/cs/predmet6098006.html