čeština

Not applicable.

Absolventi znají teorii složitosti, reprezentativní příklady a jsou schopni použít teorii grafů, teorii hromadné obsluhy, teorii Petriho sítí, Markovovy modely pro potřeby získávání informací z těchto struktur.

Jsou požadovány znalosti na úrovni bakalářského studia a absolvování předmětu Teoretická informatika.

Not applicable.

Metody vyučování zahrnují přednášky, cvičení na počítači a laboratoře. Předmět využívá e-learning (Moodle). Student odevzdává jeden samostatný projekt.

závěrečná zkouška

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

 

Not applicable.

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

Vymezení kontrolované výuky a způsob jejího provádění stanoví každoročně aktualizovaná vyhláška garanta předmětu.

Not applicable.

Not applicable.

Virius, Miroslav. Základy algoritmizace. Česká technika-nakladatelství ČVUT, 2008. (CS)
GOODFELLOW, I., BENGIO, Y., & COURVILLEe, A. (2016). Deep learning (adaptive computation and machine learning series). Adaptive Computation and Machine Learning series, 800. (EN)

Not applicable.