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

Laboratoř statistického modelování

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

Předmět je orientován na nízkoúrovňový přístup k především bayesovskému statistickému a informačně-teoretickému modelování, kdy se student nejen seznamuje s existujícími metodami (regresní modely, Kalmanův filtr, fůze modelů aj.), ale sám si je i zkouší implementovat. Odpadá tedy využívání „vysokoúrovňových“ knihoven typu pandas, scikit-learn či statsmodels, důraz bude kladen naopak na využití numpy a scipy a nízkoúrovňovou algebru a kalkulus. Druhá polovina semestru je zaměřena na vlastní návrh metod a algoritmů, analýzu a ověřování jejich vlastností. V tomto bodě je předmět na hranici vlastního výzkumu a u zájemců může přerůst v závěrečnou práci (diplomovou, příp. i bakalářskou).

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 a pravděpodobnostní směsi.

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 a pravděpodobnostní směsi.

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:

Informace o předmětu a výukové materiály naleznete na https://courses.fit.cvut.cz/NI-LSM/

Další informace:
Předmět lze absolvovat opakovaně
https://courses.fit.cvut.cz/NI-LSM/
Rozvrh na zimní semestr 2022/2023:
Rozvrh není připraven
Rozvrh na letní semestr 2022/2023:
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 T9:343
Dedecius K.
08:15–10:45
(paralelka 101)
Dejvice
NBFIT učebna
Čt

Předmět je součástí následujících studijních plánů:
Platnost dat k 5. 6. 2023
Aktualizace výše uvedených informací naleznete na adrese https://bilakniha.cvut.cz/cs/predmet6098006.html