Detail předmětu

Information Representation and Machine Learning

FEKT-DPA-IMLAk. rok: 2020/2021

Teorie složitosti, teorie grafů, ekvivalence grafů, teorie hromadné obasluhy, Petriho sítě a modelování pomocí Petriho sítí, Markovovy modely, pokročilé evoluční algoritmy.

Doporučená nebo povinná literatura

Goldreich, Oded. "Computational complexity: a conceptual perspective." ACM SIGACT News 39.3 (2008): 35-39. (EN)
Mitleton-Kelly, Eve. Complex systems and evolutionary perspectives on organisations: the application of complexity theory to organisations. Elsevier Science Ltd, 2003. (EN)
Bürgisser, Peter, Michael Clausen, and Amin Shokrollahi. Algebraic complexity theory. Vol. 315. Springer Science & Business Media, 2013. (EN)

Způsob a kritéria hodnocení

závěrečná zkouška

Jazyk výuky

angličtina

Osnovy výuky

1. Information representation, introduction
2. Complexity theory, selected examples of complexity
3. Graph theory, analysis, factorization
4. Theory of graphs, groups, availability, bipartite
5. Graphs equivalence
6. Information representation - machine learning
7. Information representation - network types
8. Information representation - linear regression
9. Information representation - logistic regression, classification
10. Information representation - optimization
11. Reprezentace informace - dopředná neuronová síť
12, Evolutionary Algorithms
13. Multithreaded computing, parallelization

Cíl

Cílem kurzu je seznámit studenty s pokročilou teorií složitosti, teorií grafů a jejich metod srovnání, teorií hromadné obsluhy, Petriho sítěmi a evolučními algoritmy.

Zařazení předmětu ve studijních plánech

  • Program DPA-EIT doktorský, libovolný ročník, letní semestr, 4 kredity, povinný
  • Program DKA-EIT doktorský, libovolný ročník, letní semestr, 4 kredity, povinný
  • Program DPAD-EIT doktorský, libovolný ročník, letní semestr, 4 kredity, povinný

Typ (způsob) výuky

 

Seminář

39 hod., nepovinná

Vyučující / Lektor

eLearning