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:
Předmět je zaměřen na praktické využití základních metod bayesovského modelování v dynamicky se rozvíjející oblasti machine learningu, konkrétně na popis reálných jevů vhodně sestavenými modely s jejich následným využitím např. pro předpověď budoucího vývoje nebo pro získání i nformací o vnitřní proměnné (skutečné polohy objektu ze zašuměných měření aj.). Důraz je kladen na pochopení vyložených principů a metod a zejména jejich praktické osvojení, k čemuž slouží řada reálných příkladů a aplikací (např. sledování objektů ve 2D/3D, odhadování zdrojů radiačních úniků, separace medicínských obrazových dat), s nimiž bude student seznámen a/nebo které se sám pokusí řešit.

Osnovy přednášek:

1.		Základy a specifika bayesovské teorie - neurčitost, vývoj znalosti, typy odhadů, metody.
2.		Lineární modely v machine learningu, online modelování, predikce, příklady.
3.		Zobecněné lineární modely GLM, aproximace a sekvenční (online) odhad.
4.		Lineární model, odhad struktury, regularizace volbou apriorna.
5.		Bilineární modely a bayesovský přístup k PCA, odhad počtu komponent.
6.		Aplikace zobecněných lineárních modelů v praktických problémech machine learningu.
7.		Základní stavové modely, Kalmanův filtr.
8.		Úvod do Monte Carlo metod, rejection sampling.
9.		Sekvenční Monte Carlo odhad stavového modelu, bootstrap particle filtr, resampling.
10.		Hierarchické učení a jeho aplikace.
11.		Grafické modely, naivní Bayes
12.		Úvod do deep learningu a pravděpodobnostních grafických modelů.

Osnovy cvičení:

1.		Úvod, konstrukce lineárního modelu a jeho odhad, vývoj znalosti, předpovědi.
2.		Bayesovská sekvenční lineární regrese, regularizace, ukázky na reálných datech.
3.		Sekvenční logistická regrese s využitím reálných dat.
4.		Bayesovský model maticové dekompozice a jeho aplikace např. v biomedicíně.
5.		Sestavení stavového modelu pro reálný problém a jeho odhad.
6.		Využití particle filtru v praktických úlohách machine learningu.

Literatura:

1.		Andrew Gelman et al., Bayesian Data Analysis, Chapman and Hall (2013), ISBN 1439840954.
2.		David Barber, Bayesian Reasoning and Machine Learning, Cambridge University Press (2012), ISBN 978-0-521-51814-7.

Požadavky:
Základní znalost pravděpodobnosti a lineární algebry.

Informace o předmětu a výukové materiály naleznete na https://courses.fit.cvut.cz/MI-BML/

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr NI-SPOL.2020 Nespecifikovaný/á obor/specializace studia - Unspecified Branch/Specialisation of Study VO 2 NI-PB.2020 Počítačová bezpečnost V 2 NI-SP.2020 Systémové programování V 2 NI-SP.2023 Systémové programování V 2 NI-MI.2020 Manažerská informatika V 2 NI-SPOL.2020 Nespecifikovaný/á obor/specializace studia - Unspecified Branch/Specialisation of Study V 2 NI-PSS.2020 Počítačové systémy a sítě V 2 NI-WI.2020 Webové inženýrství V 2 NI-TI.2018 Teoretická informatika V 2 NI-ZI.2020 Znalostní inženýrství PS 2 NI-NPVS.2020 Návrh a programování vestavných systémů V 2 NI-SI.2020 Softwarové inženýrství V 2 NI-TI.2023 Teoretická informatika V 2 NI-TI.2020 Teoretická informatika V 2 NIE-DBE.2023 Digital Business Engineering VO 2