Oral exam, which includes a presentation of a computer solution (prepared by the student) of a pre-selected problem.

Ústní zkouška do níž spadá i prezentace počítačového řešení (studentem) předem zvolené úlohy.

Christopher M. Bishop, Neural Networks for Pattern Recognition, ISBN-13: 978-0198538646

Christopher M. Bishop, Pattern Recognition and Machine Learning, ISBN-13: 978-0387310732

Christopher M. Bishop, Neural Networks for Pattern Recognition, ISBN-13: 978-0198538646

Christopher M. Bishop, Pattern Recognition and Machine Learning, ISBN-13: 978-0387310732

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.

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.

• 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

• 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

• lineární klasifikační modely - diskriminační funkce, pravděpodobnostní diskriminační modely, Laplaceova aproximace, Bayesovská logistická regrese

• neuronové sítě - trénink, zpětná vazba chyby, Hessova matice, regularizace v neuronových sítích, Bayesovské neuronové sítě

• dvojí použití neuronových sítí - aproximace a rozhodnutí