Poslední úprava: doc. Mgr. Milan Krtička, Ph.D. (29.04.2019)
Seznámení s použitím neuronových sítí v oblasti částicové fyziky.
Určeno pro 1. ročník navazujícího magisterského studia a výše.
Poslední úprava: doc. Mgr. Milan Krtička, Ph.D. (29.04.2019)
The use of neutral networks in particle physics.
For 1st year of the Master study and higher
Podmínky zakončení předmětu -
Poslední úprava: Mgr. Tomáš Sýkora, Ph.D. (12.06.2019)
Ústní zkouška do níž spadá i prezentace počítačového řešení (studentem) předem zvolené úlohy.
Poslední úprava: Mgr. Tomáš Sýkora, Ph.D. (12.06.2019)
Oral exam, which includes a presentation of a computer solution (prepared by the student) of a pre-selected problem.
Literatura -
Poslední úprava: T_UCJF (19.03.2015)
Christopher M. Bishop, Neural Networks for Pattern Recognition, ISBN-13: 978-0198538646
Christopher M. Bishop, Pattern Recognition and Machine Learning, ISBN-13: 978-0387310732
Poslední úprava: T_UCJF (19.03.2015)
Christopher M. Bishop, Neural Networks for Pattern Recognition, ISBN-13: 978-0198538646
Christopher M. Bishop, Pattern Recognition and Machine Learning, ISBN-13: 978-0387310732
Požadavky ke zkoušce -
Poslední úprava: Mgr. Tomáš Sýkora, Ph.D. (12.06.2019)
Pro zkoušku si student připraví počítačový program, na jehož zadání se domluví s přednášejícím - buďto zadání student sám navrhne tak, aby mělo použití v tématice, kterou se zabývá nebo si zvolí zadání navržené přednášejícím.
Kromě diskuse počítačového řešení, student dostane tři otázky v rozsahu sylabu přednášky.
Poslední úprava: Mgr. Tomáš Sýkora, Ph.D. (12.06.2019)
For the exam, the student prepares a computer program, on the basis of which she / he agrees with the lecturer - either the student herself / himself suggests a the topic he / she is dealing with or chooses a topic proposed by the lecturer.
In addition to the discussion of the programe solutions, the student gets three questions in the range of the lecture syllabus.
Sylabus -
Poslední úprava: T_UCJF (18.04.2012)
elementy teorie pravděpodobnosti - hustota pravděpodobnosti, kovariance, Bayesovská definice pravděpodobnosti, Gaussovo rozdělení, aproximace dat
rozdělení pravděpodobnosti - beta rozdělení, Dirichletovo rozdělení, metoda maximální věrohodnosti pro Gaussovské rozdělení, Studentovo t-rozdělení
lineární modely pro regresi - modely s lineární bází, metoda maximální věrohodnosti a metoda minimálních čtverců, postupné učení, regularizované minimální čtverce, rozklad předsudek-variance, Bayesovská lineární regrese, omezení lineárních modelů s fixovanou bází
neuronové sítě - trénink, zpětná vazba chyby, Hessova matice, regularizace v neuronových sítích, Bayesovské neuronové sítě
dvojí použití neuronových sítí - aproximace a rozhodnutí
Poslední úprava: T_UCJF (18.04.2012)
elements of probability theory - probability density, covariance, Bayesian definition of probability, the Gaussian distribution, data approximation
probability distribution - the beta distribution, the Dirichlet distribution, maximum likelihood of the Gaussian distribution, the Student t-distribution
linear models for regression - linear basis models, maximum likelihood and least squares, sequential learning, regularized minimal squares, bias-variance decomposition, Bayesian linear regression, limitations of linear models with fixed basis
linear classification models - discriminant functions, probabilistic discriminative models, the Laplace approximation, Bayesian logistic regression
neural nets - training, error backpropagation, the Hessian matrix, regularization in neural network, Bayesian neural networks
dual use of neural networks - approximations and decisions
