Odhady parametrů pomocí metody maximální věrohodnosti a algoritmu Expectiation-Maximization, formulace objektivní funkce diskriminativního trénování, kritérium Maximum Mutual information (MMI), adaptace GMM modelů, transformace parametrů pro rozpoznávání, modelování prostoru parametrů pomocí diskriminativních podprostorů, faktorová analýza, kernelové techniky, kalibrace a fúze klasifikátorů, aplikace v rozponávání řeči, videa a textu.

Okruhy otázek k SDZ :
1. Odhad parametrů modelu s maximální věrohodností (Maximum Likelihood)
2. Rozložení pravděpodobnostÍ z exponenciální rodiny  (exponencial family) a postačující statistiky (sufficient statistics)
3. Model lineární regrese a jeho pravděpodobnostní interpretace
4. Bayesovské modely uvažující pravděpodobnostní rozložení (neurčitost) parametrů modelu
5. Sdružené apriorní rozložení (conjugate priors) a jejich význam v bayesovských modelech
6. Lineární diskriminační analýza (Fishers linear discriminant)
7. Rozdíl mezi generativními a diskriminativními klasifikátory; jejich klady a zápory
8. Perceptron a jeho učící se algoritmus jako příklad lineárních klasifikátorů
9. Generativní lineární klasifikátor - Gaussovský klasifikátor se sdílenou kovarianční maticí
10. Diskriminativní klasifikátor založený na lineární logistické regresi