ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
STUDIJNÍ PLÁNY
2022/2023
UPOZORNĚNÍ: Jsou dostupné studijní plány pro následující akademický rok.

# Mathematics for data science

Předmět není vypsán Nerozvrhuje se
Kód Zakončení Kredity Rozsah Jazyk výuky
MIE-MZI Z,ZK 4 2P+1C anglicky
Garant předmětu:
Přednášející:
Cvičící:
Předmět zajišťuje:
katedra aplikované matematiky
Anotace:

In this course, the students are introduced to the domains of mathematics necessary for understanding the standard methods and algorithms used in data science. The studied topics include mainly: linear algebra (matrix factorisations, eigenvalues, diagonalization), continuous optimisation (optimisation with constraints, duality principle, gradient methods) and selected notions from probability theory and statistics.

Knowledge of basic notions of linear algebra and matrix theory, basics of probability theory, course MIE-MPI: Mathematics for informatics.

Osnova přednášek:

1) Mathematical formulation of regression and classification problem.

2) Geometrical view of linear regression model and least squares method (LS).

3) Computing the LS estimate (QR decomposition of a matrix).

4) Hypothesis tests for linear model, model validation.

5) Variable subset selection: ridge regression, best-subset selection, etc.

7) Singular value decomposition and its connection with ridge regression.

8) [2] Principal component analysis and dimensionality reduction.

10) Linear regression and classification.

11) Logistic regression.

12) Local regression and smoothing methods (splines, kernels).

13) [2] Support vector machines.

Osnova cvičení:

1) Least squares method.

2) Matrix factorisation and matrix eigenvalues.

3) Usage of linear regression and related methods.

4) Principal component analysis.

5) Logistic regression.

6) Support vector machines.

Cíle studia:
Studijní materiály:

1. Christopher Bishop, Pattern Recognition and Machine Learning, Springer-Verlag New York (2006), ISBN 978-0-387-31073-2

2. Trevor Hastie, Robert Tibshirani, Jerome Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer (2011), ISBN 978-0387848570.

Poznámka:

Information about the course and courseware are available at https://courses.fit.cvut.cz/MI-MZI/

Další informace:
https://courses.fit.cvut.cz/MI-MZI/
Pro tento předmět se rozvrh nepřipravuje
Předmět je součástí následujících studijních plánů:
Platnost dat k 1. 6. 2023
Aktualizace výše uvedených informací naleznete na adrese https://bilakniha.cvut.cz/cs/predmet5171306.html