Notes for CVUT FIT
0. NI SCR 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 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

    Made with Material for MkDocs