Předmět je základní jednotka výuky, jejímž prostřednictvím si student osvojí ucelenou část souboru znalostí a dovedností, potřebnou pro zvládnutí studijního oboru/specializace. Za věcný obsah předmětu zodpovídá garant předmětu. Časovou náročnost předmětu zhruba vyjadřuje atribut předmětu rozsah kontaktní výuky. Například rozsah = 2+2  značí, že předmět bude mít týdně dvě hodiny přednášek a dvě hodiny cvičení týdně. Na závěr semestru musí vyučující provést vyhodnocení, nakolik si ten který student osvojil poznatky a dovednosti, kterých měl během výuky nabýt. Jakým způsobem toto hodnocení vyučující provedou určuje atribut způsob zakončení. U předmětu lze definovat, že předmět je zakončen pouze zápočtem(Z), klasifikovaným zápočtem(KZ), pouze zkouškou(ZK), nebo zápočtem a zkouškou(Z,ZK). Náročnost úspěšného absolvování předmětu je vyjádřena ECTS kreditními body. Výuka předmětu probíhá během semestru. Opakovaně se předmět vyučuje vždy v zimním(Z), nebo v letním(L) semestru každého akademického roku. Výjimečně může předmět být nabízen studentům v obou semestrech(Z,L). Za organizační zajištění výuky zodpovídá přiřazená katedra, která zejména vytvoří časový rozvrh předmětu a zajistí pro předmět vyučující. Někteří přednáší a zkouší, jiní vedou cvičení a udělují zápočty.
Obsahová náplň a další organizační informace, týkající se předmětu je popsána pomocí různých popisných textů(anotace, týdenní osnova, literatura, apod.)
$DODATEK_POPIS

Anotace:
In this course, the students are introduced to the domains of mathematics necessary for understanding the standard methods and algorithms used in data science. The studied topics include mainly: linear algebra (matrix factorisations, eigenvalues, diagonalization), continuous optimisation (optimisation with constraints, duality principle, gradient methods) and selected notions from probability theory and statistics.

Osnovy přednášek:

1)		Mathematical formulation of regression and classification problem.
2)		Geometrical view of linear regression model and least squares method (LS).
3)		Computing the LS estimate (QR decomposition of a matrix).
4)		Hypothesis tests for linear model, model validation.
5)		Variable subset selection: ridge regression, best-subset selection, etc.
7)		Singular value decomposition and its connection with ridge regression.
8)		[2] Principal component analysis and dimensionality reduction.
10)		Linear regression and classification.
11)		Logistic regression.
12)		Local regression and smoothing methods (splines, kernels).
13)		[2] Support vector machines.

Osnovy cvičení:

1)		Least squares method.
2)		Matrix factorisation and matrix eigenvalues.
3)		Usage of linear regression and related methods.
4)		Principal component analysis.
5)		Logistic regression.
6)		Support vector machines.

Literatura:

1.		Christopher Bishop, Pattern Recognition and Machine Learning, Springer-Verlag New York (2006), ISBN 978-0-387-31073-2
2.		Trevor Hastie, Robert Tibshirani, Jerome Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer (2011), ISBN 978-0387848570.

Požadavky:
Knowledge of basic notions of linear algebra and matrix theory, basics of probability theory, course MIE-MPI: Mathematics for informatics.

Information about the course and courseware are available at https://courses.fit.cvut.cz/MI-MZI/

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr NIE-SI.21 Software Engineering 2021 V 2 NIE-TI.21 Computer Science 2021 V 2 NIE-DBE.2023 Digital Business Engineering V 2 NIE-NPVS.21 Design and Programming of Embedded Systems 2021 V 2 NIE-PSS.21 Computer Systems and Networks 2021 V 2 NIE-PB.21 Computer Security 2021 V 2