Detail předmětu

Information Representation and Machine Learning

FEKT-DPA-IMLAk. rok: 2021/2022

Teorie složitosti, teorie grafů, genetické algoritmy, genetické programování, ekvivalence grafů, reprezentace znalostí, neuronové sítě, zpětnovazební učení, grafy a stromy pro neuronové sítě. 

Jazyk výuky

angličtina

Počet kreditů

4

Nabízen zahradničním studentům

Pouze domovské fakulty

Způsob a kritéria hodnocení

závěrečná zkouška

Osnovy výuky

1. Reprezentace informace, shrnutí
2. Teorie složitosti, vybrané příklady složitosti
3. Teorie grafů, analýza, faktorizace
4. Teorie grafů, grupy, dostupnost, bipartitní grafy
5. Ekvivalence grafů
6. Reprezentace informace - strojové učení
7. Reprezentace informace - rozdělení sítí
8. Reprezentace informace - lineární regrese
9. Reprezentace informace - logistická regrese, klasifikace
10. Reprezentace informace - dopředná neuronová síť
11. Reprezentace informace - rekurentní neuronové sítě
12. Reprezentace informace - zpětnovazební učení
13. Reprezentace informace - NN pro stromy a grafy

 

 

Učební cíle

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

Základní literatura

Goldreich, Oded. "Computational complexity: a conceptual perspective." ACM SIGACT News 39.3 (2008): 35-39. (EN)

Doporučená literatura

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)

eLearning

Zařazení předmětu ve studijních plánech

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

Typ (způsob) výuky

 

Seminář

39 hod., nepovinná

Vyučující / Lektor

eLearning