Detail předmětu

Information Representation and Machine Learning

FEKT-DKA-IMLAk. rok: 2022/2023

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

Jazyk výuky

angličtina

Počet kreditů

4

Nabízen zahraničním studentům

Pouze domovské fakulty

Způsob a kritéria hodnocení

závěrečná zkouška

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

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

Bürgisser, Peter, Michael Clausen, and Amin Shokrollahi. Algebraic complexity theory. Vol. 315. Springer Science & Business Media, 2013. (EN)
Mitleton-Kelly, Eve. Complex systems and evolutionary perspectives on organisations: the application of complexity theory to organisations. Elsevier Science Ltd, 2003. (EN)

Elearning

Zařazení předmětu ve studijních plánech

  • Program DKAD-EIT doktorský 0 ročník, letní semestr, povinný
  • Program DKA-EIT doktorský 0 ročník, letní semestr, povinný

Typ (způsob) výuky

 

Konzultace

39 hod., nepovinná

Vyučující / Lektor

Elearning