Neuronové sítě v částicové fyzice - NJSF138

• Anglický název: Neural nets in particle physics
• Zajišťuje: Ústav částicové a jaderné fyziky (32-UCJF)
• Fakulta: Matematicko-fyzikální fakulta
• Platnost: od 2012 do 2014
• Semestr: zimní
• E-Kredity: 6
• Rozsah, examinace: zimní s.:2/1, Zk [HT]
• Počet míst: neomezen
• Minimální obsazenost: neomezen
• 4EU+: ne
• Virtuální mobilita / počet míst pro virtuální mobilitu: ne
• Stav předmětu: vyučován
• Jazyk výuky: čeština
• Způsob výuky: prezenční
• Způsob výuky: prezenční
• Garant: Mgr. Tomáš Sýkora, Ph.D.

Anotace

čeština

Poslední úprava: doc. Mgr. Milan Krtička, Ph.D. (29.04.2019)

Určeno pro 3. ročník a výše

angličtina

Poslední úprava: doc. Mgr. Milan Krtička, Ph.D. (29.04.2019)

for 3th year and higher

Literatura

čeština

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

Sylabus

čeština

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

• 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

angličtina

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