Orientační plán přednášek

  1. Multimodální data. Shlukování vs. klasifikace obecně. Základní modely - statický regresní, kategorický, Poissonův model Slajdy
  2. Bayesovský odhad parametrů jednotlivých modelů Slajdy
  3. Model směsi distribucí. Rekurzivní Bayesovský odhad modelu směsi normálních komponent Slajdy
  4. Model směsi kategorických komponent Slajdy
  5. Model směsi Poissonových komponent. Poissonova regrese Slajdy
  6. Klasifikace na základě modelu. Naivní Bayesův klasifikátor. Kvalita klasifikace. Logistická regrese Slajdy
  7. Shluková analýza offline bez učitele (K-means, K-medoids, fuzzy shlukování (c-means), shlukování na základě hustoty (DBSCAN), hierarchické shlukování (aglomerativní vs. divisivní)) Slajdy
  8. Klasifikace offline s učitelem (k-nearest neighbors, rozhodovací stromy, náhodné lesy, podpůrné vektorové stroje, neuronové sítě) Slajdy
  9. Shrnutí a opakování Slajdy

Cvičení

  1. Úvod. Generování multimodálních dat. Program
  2. Odhad parametrů jednotlivých modelů Program
  3. Shlukování a klasifikace s modelem směsi normálních komponent Program
  4. Shlukování a klasifikace s modelem směsi kategorických komponent Program
  5. Shlukování a klasifikace s modelem směsi Poissonových komponent. Poissonova regrese Program
  6. Kvalita klasifikace. Základy práce v prostředí KNIME. Naivní Bayesův klasifikátor. Klasifikace s logistickou regresí Data
  7. Shlukování offline bez učitele Data
  8. Klasifikace offline s učitelem Data
  9. Opakování algoritmů shlukování a klasifikace Data