Notes for CVUT FIT
0. NI MVI Index
Initializing search
    Sys0X School notes
    Sys0X School notes
    • CVUT Notes
      • Chapter 1 Introduction to Java
      • Chapter 10 Java Collections Framework
      • Chapter 11 Java Input & Output (I & O)
      • Chapter 12 Java Threads and Concurrency
      • Chapter 13 Java Memory Management
      • Chapter 14 Java Modules
      • Chapter 2 Understanding Basic Programming Concepts
      • Chapter 3 Introduction to Java Syntax
      • Chapter 4 Control Flow in Java
      • Chapter 5 Object Oriented Programming in Java
      • Chapter 6 Java Methods
      • Chapter 7 Arrays and Strings in Java
      • Chapter 8 Exception Handling in Java
      • Chapter 9 Java Standard Libraries
      • Java 101 Table of Contents
      • Zkouskove otazky
        • 1. Evaluace modelů Loss Functions, Test Errors, Evaluation of Regression and Classification
        • 10. Způsoby evaluace algoritmů pro řazení (learning to rank) a doporučovacích systémů
        • 11. Popište rozklad chyby na nedoučení a přeučení (Bias Variance Decomposition of Error) a uveďte jaké složky typicky redukuje bagging a boosting a proč.
        • 2. Principles and algorithms for bagging and boosting Random Forests and AdaBoosting
        • 3. Principles and algorithms for Anomaly Detection
        • 4. Recommender Systems Basic Principles, Task Types, and kNN Algorithm Usage
        • 5. Factorization methods for recommendations
        • 6. Jádrová regrese Lineární expanze do bázových funkcí, duální formulace, jádrový trik
        • 7. Jádrové funkce Souvislost s bázovými funkcemi, obecné vlastnosti, příklady
        • 8. Support Vector Machines Lineárně separabilní a neseparabilní případ, diskuse řešení
        • 9. Algoritmy pro řazení (learning to rank) Popište rozdílnost pointwise, pairwise a listwise přístupů
      • 0. Zkouska
      • 1. Principles of good design
      • 2. Creational design patterns
      • 3. Structural design patterns
      • 4. Behavioral design patterns
      • 5. Non GoF design patterns
      • EDA CARD TRANSACTIONS AT PETROL STATIONS
      • Pick a dataset
        • 1. GNN Basics, Centrality, PageRank, Community Detection
        • 2. Topology Inference, Random Walk Based Techniques
        • 3. Convolutional Graph Neural Networks, Deep Graph Infomax
        • 4. Graph Attention Networks, Graph Transformer Network, Working with Dynamic Graphs
        • 5. Graph Autoencoders and Graph Generation
        • 6. Interpretability of Graph Neural Networks
        • Cheat Sheet
      • What to look at after exam
        • 0. NI MVI Index
        • 1. Aplikace strojového učení
        • 10. Transformery
        • 11. VAE, GAN
        • 12. Neuroevoluce a přírodou inspirovaná optimalizace
        • 13. Meta learning
        • 14. Nové trendy
        • 2. Taxonomie ML úloh
        • 3. Evoluční algoritmy
        • 4. Neuronové sítě
        • 5. Convnets
        • 6. Autoenkodéry
        • 7. Embeddingy
        • 8. Rekurentní sítě
        • 9. Pozornostní mechanismy (attention)
      • 0. NI PDD Index
      • Prednaska 1
      • Prednaska 10
      • Prednaska 11
      • Prednaska 12
      • Prednaska 2
      • Prednaska 3
      • Prednaska 4
      • Prednaska 5
      • Prednaska 6
      • Prednaska 7
      • Prednaska 8
      • Prednaska 9
      • 1. Úvod do paralelizace
      • 10. Paralelní Redukce & Prefix sum
      • 12. Násobení matic
      • 2. Úvod do OpenMP
      • 3. Úvod do paralelních algoritmů
      • 4. Základní paralelní algoritmy
      • 5. Pokročilé paralelní algoritmy
      • 6. Úvod do MPI
      • NI PDP Ústní zkouška
      • Semestrální projekt NI-PDP 2022/2023
      • Lineární model a základní značení
      • Optimalizace
      • SVD
      • SVM Regrese
      • Vazana optimalizace
      • Výpočet QR
      • Zkouskove otazky
      • 0. NI SCR Index
      • 1. Úvod, Náhodných process
      • 2. Parciální korelace, ACF, PACF
      • 3. AR, MA, ARMA, ARIMA, SARIMA
      • 4. Exponenciální vyhlazování, ETS, Strukturní Modely
      • 5. Statistické testy
      • 6. Kalmanovi Filtry
      • 7. Stavova reprezentace
      • 8. Monte Carlo, Importance sampling
      • 99. Otazky na zkousku
      • Teorie
        • Praktika 1 Step by step guide
        • Praktika 1 otazky
        • Praktika 1 resene priklady
        • Teorie Náhodné vektory
        • Teorie 1
        • Praktika 2 Step by step guide
        • Praktika 2 resene priklady
        • Teorie Entropie a Kodovani
        • Intervali spolehlivosti
        • Postupy
        • Teorie Testovani hypotez
        • Testovani hypotez Crash course
        • Vypocty
        • Zkouska
        • Vzorce pokus 2 condensed
        • Reseni
        • Teoreticke postupy
        • Teorie Řetězce s diskrétním časem
        • Teorie
        • Crash course
      • 0. NIE BLO Index
      • 1. Describe a Bitcoin block
      • 10. Structure of security audit report what should be included and why
      • 2. Describe Ethereum blockchain and its properties
      • 3. What is EVM and what it does
      • 4. Describe reentrancy attack on Ethereum
      • 5. Name a good and a bad use case for blockchain, why
      • 6. Ethereum security tooling describe what is a static analyser, fuzzer
      • 7. Describe the process that changes state of Ethereum blockchain (transactions, mining)
      • 8. Describe the process that reads from Ethereum blockchain (RPC calls)
      • 9. Describe ERC 20 token standard
        • Executive summary
        • Fuzz test
        • Manual code review
        • Security Analysis methodology
        • Security assesment
        • System overview
        • Testing findings
        • Tool based analysis
        • Trust model
      • 0 Index
      • 1 Similarity based Methods
      • 2 Matrix Factorization Methods
      • 3 Autoencoders for Collaborative Filtering
      • 4 Deep Learning Methods for Personalization
      • 5 Evaluation of PML
      • 6 Temporal Dynamics and Popularity (Basics on EM Algorithm)
      • 7 Invariant Models
      • 8 New trends in PML
        • Personal portfolio predictor
        • Poster
        • Personal portfolio predictor
      • Index
      • ~Status
        • 1. Teorie grup: Grupoidy, pologrupy, monoidy a grupy. Podgrupy, cyklické grupy a jejich generátory. (NI-MPI)
        • 10. Systémy hromadné obsluhy a jejich limitní vlastnosti. Souvislost s Markovskými řetězci se spojitým časem. (NI-VSM)
        • 11. Význam tříd NP a NPH pro praktické výpočty. (NI-KOP)
        • 12. Experimentální vyhodnocení algoritmů, zejména randomizovaných. (NI-KOP)
        • 13. Princip lokálních heuristik, pojem globálního a lokálního minima, obrana před uváznutím v lokálním minimu. (NI-KOP)
        • 14. Princip genetických algoritmů, význam selekčního tlaku pro jejich funkci. (NI-KOP)
        • 15. Princip simulovaného ochlazování, význam parametrů a způsoby jejich řízení. (NI-KOP)
        • 16. Výkonnostní měřítka paralelních algoritmů, PRAM model, APRAM model, škálovatelnost. (NI-PDP)
        • 17. Programování nad sdílenou pamětí, programový model OpenMP, datový a funkční paralelismus, synchronizace vláken, vícevláknové algoritmy (násobení polynomů, násobení matic a vektorů, řazení). (NI-PDP)
        • 18. Programování nad distribuovanou pamětí, programový model MPI (vícevláknové procesy, komunikátory, 2-bodové blokující a neblokující komunikační operace, kolektivní operace), paralelní násobení hustých matic, paralelní mocninná metoda. (NI-PDP)
        • 19. Přímé ortogonální a hyperkubické propojovací sítě paralelních počítačů (definice, vlastnosti, vnořování). (NI-PDP)
        • 2. Tělesa a okruhy: Základní definice a vlastnosti. Konečná tělesa. Okruhy polynomů, ireducibilní polynom. (NI-MPI)
        • Paralelní algoritmy pro redukci, prefixový součet a segmentový prefixový součet na PRAM, v ortogonálních, hyperkubických a obecných topologiích, aplikace.
        • 3. Funkce více proměnných: gradient, Hessián, definitnost matic, extrémy funkcí více proměnných bez omezení a s rovnostními omezeními. (NI-MPI)
        • 4. Integrál funkcí více proměnných (Darbouxova konstrukce). (NI-MPI)
        • 5. Numerická matematika: reprezentace čísel v počítači, chyby vznikající při výpočtech s pohyblivou řádovou čárkou, podmíněnost úlohy a stabilita numerických algoritmů. (NI-MPI)
        • 6. Testování statistických hypotéz. T-testy, testy nezávislosti, testy dobré shody. (NI-VSM)
        • 7. Základy teorie informace a kódování, entropie. (NI-VSM)
        • 8. Markovské řetězce s diskrétním časem. Jejich limitní vlastnosti. (NI-VSM)
        • 9. Markovské řetězce se spojitým časem. Souvislost s Markovskými řetězci s diskrétním časem a s Poissonovým procesem. (NI-VSM)
        • 1. Automatické plánování, plánovací graf, kompilace plánování do jiných formalismů jako je SAT nebo CSP, hierarchické plánování, plánování v prostoru plánů. Plánování pohybu a problém lokalizace v robotice. (NI-UMI)
        • 10. Transformery, pozornostní mechanismy, transfer a meta learning. (NI-MVI)
        • 11. Ensemble metody: rozdíl mezi základními metodami (např. Bagging, Boosting). (NI-ADM)
        • 12. Jádrové metody: jádrová regrese, bázové funkce, Support Vector Machine (SVM): separabilní a neseparabilní případ. (NI-ADM)
        • 13. Algoritmy pro doporučování: základní přístupy a způsob vyhodnocení kvality, faktorizační metody pro doporučování. (NI-ADM)
        • 14. Principy bayesovského modelování - pojmy model, apriorní a aposteriorní distribuce. Exponenciální třída distribucí, konjugovaná apriorna a jejich význam v bayesovském odhadu. Příklad konjugovaného apriorna. (NI-BML)
        • 15. Stavové modely: rovnice pro vývoj stavu a rovnice měření, rozdíly mezi nimi. Bayesovský sekvenční odhad stavových modelů a jejich vliv na apriorní distribuci (znalost). Možnosti odhadu stavů v případě nelinearity (pouze vyjmenovat). (NI-BML)
        • 16. Rejection sampling (RS) a importance sampling (IS): důvody používání RS a IS, jejich základní principy a rozdíly, efektivita práce se vzorky. Stanovení vah v IS a možnosti jejich normování. (NI-BML)
        • 17. QR rozklad: metody výpočtu, použití při výpočtu odhadu metodou nejmenších čtverců, QR algoritmus pro hledání vlastních čísel. (NI-PON)
        • 18. Maticové faktorizace pomocí SVD, její výpočet, vlastnosti a použití ve strojovém učení: souvislost s metodou hlavních komponent (PCA) (NI-PON)
        • 19. Hladká optimalizace (bez vazeb), spádové metody, volba směru a délky kroku. (NI-PON)
        • 2. Splňování omezení s konečnými doménami (CSP), pokročilé prohledávání (backjumping, dynamický backtracking), filtrace domén a lokální konzistenční techniky, globální omezení, rozhodovací heuristiky. (NI-UMI)
        • 20. Časové řady: aditivní a multiplikativní dekompozice, momenty (střední hodnota, rozptyl, autokovariance). Druhy stacionarity a rozdíl mezi nimi. Základní vlastnosti náhodné procházky a bílého šumu. (NI-SCR)
        • 21. Autoregresní modely (AR) a modely klouzavých průměrů (MA): základní vlastnosti modelů/procesů, jejich stacionarita. Zápis AR a MA, včetně zápisu pomocí operátoru zpoždění. Identifikace řádů AR a MA z autokorelačních funkcí a pomocí informačních kritérií. (NI-SCR)
        • 22. Smíšené modely ARIMA: základní vlastnosti modelů/procesů, integrování a diferencování. Zápis ARIMA, včetně zápisu pomocí operátorů zpoždění a diference, speciální případy podle hodnot p, d, q. Problém redundance parametrů. (NI-SCR)
        • 3. Systematické a lokální splňování v logice (DPLL, CDCL, WalkSAT, posílání zpráv). Automatické uvažování, rozhodování v teoriích prvního řádu, obecná rezoluce, princip SAT-modulovaných teorií (SMT). Zpracování přirozeného jazyka. (NI-UMI)
        • 4. Metody pro hodnocení a výběr příznaků (univarietní/multivarietní metody, filtrační/wrapper/embedded metody). Selektivní/adaptivní metody redukce počtu instancí: Condensed Nearest Neighbor (CNN), Delauney/Gabriel/RNG grafy, Wilsonova editace, Multi-edit metoda, Tomkovy spoje. (NI-PDD)
        • 5. Algoritmy pro nahrazování chybějících hodnot. Detekce a ošetření odlehlých hodnot. Vyvažování skupin dat (undersampling/oversampling metody). (NI-PDD)
        • 6. Lineární projekce dat do prostoru o méně dimenzích: metoda hlavních komponent (PCA), lineární diskriminační analýza (LDA). Nelineární metody redukce dimensionality (Sammonova projekce). (NI-PDD)
        • 7. Učení dopředných neuronových sítí, konvoluční neuronové sítě a jejich regularizace. (NI-MVI)
        • 8. Autoencodery a generativní neuronové sítě. (NI-MVI)
        • 9. Rekurentní neuronové sítě a jejich učení, neuroevoluce. (NI-MVI)

    0. NI MVI Index

    • 1. Aplikace strojového učení
    • 2. Taxonomie ML úloh
    • 3. Evoluční algoritmy
    • 4. Neuronové sítě
    • 5. Convnets
    • 6. Autoenkodéry
    • 7. Embeddingy
    • 8. Rekurentní sítě
    • 9. Pozornostní mechanismy (attention)
    • 10. Transformery
    • 11. VAE, GAN
    • 12. Neuroevoluce a přírodou inspirovaná optimalizace
    • 13. Meta learning
    • 14. Nové trendy
    Made with Material for MkDocs