PředmětyPředměty(verze: 908)
Předmět, akademický rok 2022/2023
   Přihlásit přes CAS
Numerical Linear Algebra for data science and informatics - NMNV468
Anglický název: Numerical Linear Algebra for Data Science and Informatics
Zajišťuje: Katedra numerické matematiky (32-KNM)
Fakulta: Matematicko-fyzikální fakulta
Platnost: od 2021
Semestr: letní
E-Kredity: 5
Rozsah, examinace: letní s.:2/2, Z+Zk [HT]
Počet míst: neomezen
Minimální obsazenost: neomezen
Virtuální mobilita / počet míst: ano / neomezen
Kompetence: 4EU+ Flagship 3
Stav předmětu: vyučován
Jazyk výuky: angličtina
Způsob výuky: prezenční
Další informace: https://dl1.cuni.cz/course/view.php?id=13028
Garant: Erin Claire Carson, Ph.D.
Třída: M Mgr. NVM
M Mgr. NVM > Volitelné
Kategorizace předmětu: Matematika > Numerická analýza
Anotace -
Poslední úprava: doc. RNDr. Václav Kučera, Ph.D. (12.05.2019)
Cílem předmětu je seznámit posluchače se základními pojmy numerické lineární algebry, které se objevují v metodách pro datovou vědu a informatiku. Po úvodu a přehledu maticových reprezentací dat a základních maticových rozkladů jsou tyto koncepty ilustrovány v různých aplikacích včetně komprese dat, klastrování, klasifikace a neuronových sítí. Kurz si klade za cíl ilustrovat tyto koncepty pomocí softwarové implementace a seznámení s nástroji pro výpočetní clustery.
Cíl předmětu - angličtina
Poslední úprava: Erin Claire Carson, Ph.D. (05.02.2020)

The main goal of the course is to understand basic concepts of numerical linear algebra and where such computations arise in data science applications. The focus is on developing an understanding of the mathematical foundation of techniques in informatics and data science and informatics. The goal is also to gain practical experience via basic programming examples and to become familiar with recent research topics in the area.

Podmínky zakončení předmětu - angličtina
Poslední úprava: Erin Claire Carson, Ph.D. (05.02.2020)

Students will complete short assignments given periodically throughout the semester (possibly including, but not limited to, simple programming assignments and written summaries of research articles) as well as a final exam.

Literatura -
Poslední úprava: doc. RNDr. Václav Kučera, Ph.D. (12.05.2019)

G. Strang, Linear Algebra and Learning From Data, 2019.

A. Blum, J. Hopcroft, and R. Kannan. Foundations of Data Science.

J. Grus. Data Science from Scratch: First Principles with Python, O’Reilly Media, 2015.

G. Strang, Linear Algebra and Its Applications, Thomson/Brooks Cole.

B. Steele, J. Chandler, S. Reddy. Algorithms for Data Science, Springer, 2016.

J. Brownlee. Basics of Linear Algebra for Machine Learning, 2018.

Požadavky ke zkoušce - angličtina
Poslední úprava: Erin Claire Carson, Ph.D. (10.01.2022)

The final exam will consist of an oral exam given during the scheduled exam period. In case of distance learning, the exam will be adapted to a distance format.

Sylabus -
Poslední úprava: Erin Claire Carson, Ph.D. (05.02.2020)

1. Matrix representations and matrix decompositions

2. Eigenvalue decomposition, least squares regression, singular value decomposition

3. Numerical linear algebra in data science applications

a. principal component analysis, low-rank approximation and compression

b. clustering and classification

c. Pagerank and semantic indexing

d. non-negative matrix decomposition

4. Current research directions and applications

Vstupní požadavky - angličtina
Poslední úprava: Erin Claire Carson, Ph.D. (05.02.2020)

As a preliminary we assume to have basic knowledge of linear algebra as, for example, from the course NMAG101 and experience in programming.

 
Univerzita Karlova | Informační systém UK