Logo ČVUT
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
STUDIJNÍ PLÁNY
2021/2022

Laboratoř statistického modelování

Předmět není vypsán Nerozvrhuje se
Kód Zakončení Kredity Rozsah Jazyk výuky
NI-LSM KZ 5 3C česky
Přednášející:
Cvičící:
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: 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:

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

Další informace:
https://courses.fit.cvut.cz/NI-LSM/
Pro tento předmět se rozvrh nepřipravuje
Předmět je součástí následujících studijních plánů:
Platnost dat k 4. 7. 2022
Aktualizace výše uvedených informací naleznete na adrese http://bilakniha.cvut.cz/cs/predmet6098006.html