čeština

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.

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 - optimalizace
11. Reprezentace informace - dopředná neuronová síť
12. Evoluční algoritmy
13. Vícevláknové výpočty, paralelizace

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.

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