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
• 4EU+: ne
• Virtuální mobilita / počet míst pro virtuální mobilitu: ano / neomezen
• Kompetence: 4EU+ Flagship 3
• Stav předmětu: vyučován
• Jazyk výuky: angličtina
• Způsob výuky: prezenční
• 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

čeština

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.

angličtina

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

The goal of this course is to introduce students to underlying concepts of numerical linear algebra which appear in methods for data science and informatics. After an introduction and review of matrix representations of data and basic matrix decompositions, these concepts are illustrated in various applications, including data compression, clustering, classification, and neural networks. The course will also illustrate these concepts via software implementations and an introduction to tools for cluster computing.

Cíl předmětu

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

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

čeština

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.

angličtina

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

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

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

čeština

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

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.