doc. Ing. Václav Šmídl, Ph.D. (externí spolupracovník)

e-mail: zobrazit e-mail
www: http://staff.utia.cz/smidl/
instituce: ÚTIA AV ČR, v.v.i.
adresa: Pod vodárenskou věží 4
 
předmět kód vyučující zs ls zs kr. ls kr.
Hierarchické bayesovské modely01HBM Šmídl - - 2+0 kz - 2
Předmět:Hierarchické bayesovské modely01HBMdoc. Ing. Šmídl Václav Ph.D.----
Anotace:Klíčová slova:
bayesovská teorie, lineární regrese, separace signálu, směsové modely, bayesovská filtrace
Osnova:1. Opakování základů bayesovské teorie
2. Metody přiblišného vyčíslení bayesovského počtu, (Variační Bayes, Importance sampling, Gibbs sampling)
3. Lineární regrese a výběr struktury modelu (spike and slab, horseshoe prior, lasso, fused lasso, automatic relevance determination)
4. Separace signálu a její varianty jako různé volby apriorních rozložení,
5. Směsové modely pro shlukovou analýzu (gausovské a Beta komponenty),
6. Odhad počtu relevantních komponent,
7. Reprezentace pravděpodobnosti ve vysokých dimenzích (směsi modelů faktorové analýzy, hluboké neuronové sítě)
8. Bayesovská filrace (Kalmanův filtr a částicový filtr)
Osnova cvičení:
Cíle:Znalosti:
Výpočetní metody vhodné pro řešení hierarchických bayesovských modelů. Vybrané hierarchické modely pro běžné praktické úlohy. Souvislosti těchto modelů s klasickými technikami.

Schopnosti:
modifikace stávajících modelů pro účely nestandardní formulace problému, případně přidání dodatečného předpokladu k známému problému, sestavení výpočetní metody pro modifikovaný problém
Požadavky:
Rozsah práce:
Kličová slova:
Literatura:Povinná literatura:
[1] Bishop, C. Pattern Recognition and Machine Learning, Springer, New York, 2007.

Doporučená literatura:
[2] Šmídl, Václav, and Anthony Quinn. The Variational Bayes Method in Signal Processing, Springer 2005.

Studijní pomůcky:
Matlab

Bayesovské regularizace špatně podmíněných inverzních úloh

školitel: doc. Ing. Václav Šmídl, Ph.D.
e-mail: zobrazit e-mail
typ práce: dizertační práce
zaměření: MI_MM, MI_AMSM, II_SIMI
popis: Inverzní úlohou rozumíme nalezení parametrů složitého modelu reálného děje na základě dostupných měření. Pro složité děje je obvykle možné formulovat systém s mnoha parametry, z nichž některé mají na pozorovaná data minimální vliv. Jejich odhad je tedy špatně podmíněný a není možné je spolehlivě určit. Cílem této práce je výzkum využití Bayesovských metod pro odhad parametrů (nebo stavu, tj. časově proměnné veličiny popisující systém) pro tyto úlohy. Hlavní pozornost bude věnována výzkumu modelů s hierarchickým apriorním rozložením parametrů. Vhodně zvolený heirarchický model funguje jako regularizační člen, který se na základě data adaptuje. Tyto techniky jsou tedy vhodné pro úlohy kde se vyskytují veličiny různého charakteru a v různých škálách. Jako přiklad takového systému budeme uvažovat úlohu odhadu okraje plazmatu tokamaku v reálném čase.
literatura: 1. Šmídl, Václav, and Anthony Quinn. The variational Bayes method in signal processing. Springer Science & Business Media, 2006.
2. Bishop, Christopher M. \"Pattern Recognition.\" Machine Learning (2006).
3. Nocedal, Jorge, and Stephen Wright. Numerical optimization. Springer Science & Business Media, 2006.
naposledy změněno: 24.05.2016 08:22:37

Pravděpodobnostní modely pro bezpečnost internetového provozu

školitel: Ing. Václav Šmídl, Ph.D.
e-mail: zobrazit e-mail
typ práce: bakalářská práce, diplomová práce
zaměření: MI_AMSM, II_SIMI
klíčová slova: pravděpodobnostní modelování, hierarchické modely, odhad parametrů, internetový provoz
popis: Se zvyšujícím se provozem v internetu se zvyšuje též počet pokusů o jeho zneužití pomocí virů, odposlouchání, botnetů a malwaru obecně. Stále rostoucí inteligence a adaptivita malwaru prakticky znemožňuje nalezení deterministických pravidel pro jeho odhalení. Obzvláště v případech, kdy se jedná o nový ještě neznámý škodlivý kód. Cílem práce je výzkum pravděpodobnostních modelů vhodných pro detekci anomálií v síťovém provozu. Hledaný model musí být dostatečně bohatý aby popsal co největší škálu legitimního provozu, avšak dostatečně specifický při detekci anomálií. Z tohoto důvodu je pozornost zaměřena na hierarchické modely s potencionálně bohatou strukturou apriorní distribuce. V první fázi se jedná o obecné seznámení s heirarchickými modely a technikami odhadu jejich parametrů a hyperparametrů. Ve druhé fázi bude hledán model pro konkrétní problém definovaný ve spolupráci s firmou CISCO.
literatura: 1. Bishop, Christopher M. \"Pattern Recognition.\" Machine Learning (2006). 2. Šmídl, Václav, and Anthony Quinn. The variational Bayes method in signal processing. Springer Science & Business Media, 2006. 3. Tang, Yichuan, Ruslan Salakhutdinov, and Geoffrey Hinton. \"Deep mixtures of factor analysers.\" arXiv preprint arXiv:1206.4635 (2012).
naposledy změněno: 24.05.2016 11:10:12

Odhad neparametrických hierarchických Bayesovských modelů

školitel: doc. Ing. Václav Šmídl, Ph.D.
e-mail: zobrazit e-mail
typ práce: dizertační práce
zaměření: MI_AMSM
odkaz: http://www.utia.cas.cz/cs/people/smidl
popis: Neparametrické Bayesovské modely nacházejí často uplatnění na složité úlohy, kde neznáme parametrický model. Flexibilita neparametrických modelů jako jsou Gausovské procesy je velkou výhodou pro přesnější modelování regresních úloh nebo výpočtu integrálů (Bayesian quadrature). Kvalita výsledného algoritmu záleží na odhadu hyparparemetrů použitého modelu (např. parametrů kovarianční funkce Gausovského procesu). Standardní metody odhadu pomocí maximální věrohodnosti fungují na jednoduché modely, avšak selhávají pro složitější úlohy např. s heteroskedactickým šumem. Cílem práce je nalézt metody odhadu hyperparametrů stochastických procesů, které umožňují odhad složitějších hierarchických modelů. Tato modely budou vyvíjeny pro potřeby Bayesovské optimalizace a Bayesovské integrace. Aplikace očekáváme především v oblasti optimalizace a kalibrace složitých počítačových modelů, například simulace složitých strojů a inverzní modelování atmosférických disperzních modelů.
naposledy změněno: 19.05.2017 15:03:09

Distribuované algoritmy stochastické optimalizace na velkých datech

školitel: doc. Ing. Václav Šmídl, Ph.D.
e-mail: zobrazit e-mail
typ práce: dizertační práce
zaměření: MI_AMSM
odkaz: http://www.utia.cas.cz/cs/people/smidl
popis: Hledání parametrů statistických modelů na velkých datech je dnes standardně řešeno metodoou stochastické optimalizace, například stochastic gradient descent. Konvergence těchto metod ke správnému řešení je ovlivněna celou řadou faktorů a ladicích parametrů. Cílem práce je zlepšení stávajících metod ať již z hlediska výpočetní náročnosti tak z hlediska regularizace a robustnosti. Hlavní aplikační oblastí vyvíjených metod je bezpečnost síťového provozu. Algoritmy hledání parametrů budou použity například na klasifikaci průniku škodlivého kódu do počítačové sítě. Součástí práce je vývoj statistických modelů (například klasifikátorů) pro danou aplikační oblast. Vzhledem o obrovskému objemu zpracovávaných dat však předpokládáme yýzkum především jednoduchých modelů a jejich modifikace na použití na velká data.
Školitelem specialistou bude Ing. Tomáš Pevný, Ph.D., FEL ČVUT
naposledy změněno: 19.05.2017 15:04:52

Modelování pohybu mikrorobotů v magnetickém poli

školitel: doc. Ing. Václav Šmídl, Ph.D.
e-mail: zobrazit e-mail
typ práce: bakalářská práce, diplomová práce
zaměření: MI_MM, MI_AMSM
klíčová slova: magnetické pole, matematické modelování, identifikace modelu
popis: Polohování mikrorobotů pomocí magnetického pole se v současné době zkoumá především pro účely neinvazivní medicíny nebo miniaturních výrobních linek. K přesnému polohování robota je nezbytná znalost matematického modelu jeho pohybu. Zatímco elektromagnetické síly se dají vypočítat poměrně přesně pomocí metod konečných prvků, jiné vlivy jsou mnohem méně známé, například modely tření. Pro potřeby řízení v reálném čase je však potřeba nalézt relativně jednoduchý model s co největší přesností. Cílem práce je: 1) seznámit se problémem a s vlivy, které na robota působí, 2) seznámit se s daty z experimentálního zařízení pro planární polohování, a 3) vyzkoušet různé struktury modelu na tato data, případně identifikovat parametry modelů.
literatura: 1) Jansen, J. W., et al. \"Overview of analytical models for the design of linear and planar motors.\" IEEE Transactions on Magnetics 50.11 (2014): 1-7. 2) Bishop, Christopher M. Pattern recognition and machine learning. springer, 2006.
naposledy změněno: 20.09.2017 14:53:41

za obsah této stránky zodpovídá: Radek Fučík | naposledy změněno: 7.8.2011
Trojanova 13, 120 00 Praha 2, tel. 224 358 540, pevná linka 224 923 098, fax 234 358 643
České vysoké učení technické v Praze | Fakulta jaderná a fyzikálně inženýrská | Katedra matematiky