Předpokládám, že uživatelsky ovládáte nějaký vyšší programovací jazyk, ovládáte penzum znalostí obsažené v předmětu 14AS, respektive že jste prošli cvičeními 11SIS a programovali ve Scilabu/Matlabu. Ve cvičeních budeme používat Matlab a jeho toolboxy. Matlab si během prvního týdne nastudujete sami. V případě zájmu můžete používat Python/NumPy/SciPy/Pandas/Statsmodels, ve škole je ale implicitně nainstalované nemáme.
Nedílnou součástí cvičení je skupinová práce nad zvoleným problémem z oblasti matematického modelování respektive ITS. V tomto semestru se budeme věnovat modelování dopravního toku na dálničním úseku, odhadu skutečné polohy vozidla na základě zašumněných údajů z GPS a dalším problémům: Ve dvou až tříčlených skupinách zpracujete vybranou (či přidělenou) úlohu, s dopomocí implementujete popsanou metodu a metodu ověříte na nějakých naměřených či syntetických datech.
Nějaké poznámky k používání LaTeXu při psaní zprávy o semestrálce jsem sepsal a uložil jako Gist dokument.
Program cvičení předmětu je tento:
| Blok | Náplň |
|---|---|
| 1. 21.2.2023 |
Úvod do Matlabu. Stránky Dr. Fábery s obsahem cvičení předmětu 14UPRO, jenž pokrývá penzum nutné pro úspěšné absolvování předmětu, bývaly k dispozici všem zde, z nějakého důvodu nyní vyžadují heslo ... Stránky kolegy Jeřábka s obsahem předmětu 14AS/14ASD jsou zde. Pokud i po prostudování pokynů tápete, jak na Matlab, zkuste
Slajdy: [PDF] Matlab Grader: 11MAMY / Matematické metody pro ITS / Úvod do Matlabu |
| 2. 22.2.2023 |
Samostatná práce v Matlabu / Matkab Grader Matlab Grader: 11MAMY / Matematické metody pro ITS / Úvod do Matlabu |
| 3. 23.2.2023 |
Modelování pomocí diferenciálních rovnic Numerické řešení ODR v Matlabu. Slajdy: [PDF] Video z LS 2020/2021: [c05] |
| 4. 28.2.2023 |
Základní zpracování dat v Matlabu. Vyhlazování dat v Matlabu v prostředí Matlab Grader. Slajdy: [PDF] Matlab Grader: 11MAMY / Matematické metody pro ITS / Základy zpracování dat |
| 5. 1.3.2023 |
Filtrace dat. Kalmanův filtr. Slajdy: [PDF] Video z LS 2020/2021: [c04] |
| 6. 2.3.2023 |
Dokončení 5. cvičení |
| 7.3.2023 - 9.3.2023 |
Učí se 14AM |
| 7. 14.3.2023 |
Úvod do statistického zpracování dat. |
| 8. 15.3.2023 |
Lineární regrese. Slajdy: [PDF] Video z LS 2020/2021: [c08] |
| 9. 16.3.2023 |
Klasifikace. |
| 10. 21.3.2023 |
Křížová validace. Regularizace. |
|
11. |
Analýza hlavních komponent. Shlukování PCA, k-means a hierarchické shluky. Slajdy: [PDF] Matlab Grader: 11MAMY / Matematické metody pro ITS / Shlukování ... (není zatím k dispozici) |
| 12. 23.3.2023 Konvikt! |
Jednokriteriální optimalizace. Lineární a konvexní programování v CVX. Vyžaduje instalaci CVX do uživatelského adresáře, instalace je ke stažení ze stránek CVX Research zde. Celý proces instalace je popsán v instalační dokumentaci CVX. Slajdy: [PDF] Video z LS 2020/2021: [c12] |
| - 28.3.2023 |
Kariérní den FD |
| 13. 29.3.2022 Konvikt! |
Vícekriteriální optimalizace. Kód ke stažení: [ZIP] Video z LS 2020/2021: [c13] |
Poznámky k práci v Pythonu:
- Pracujeme v Pythonu verze 3.10.x
- Můj osobní preferovaný editor je PyCharm, lze si jej stáhnout ze stránek JetBrains v plné verzi a zaregistrovat jako student ČVUT (více po přihlášení na download.cvut.cz).
- Pro práci s daty je potřeba minimálně NumPy, SciPy, Matplotlib a ideálně i Pandas, Statsmodels a případně Jupyter. Vše lze stáhnout (například z archivu Christophera Gohlke) a doinstalovat pomocí příkazu pip. Alternativně lze použít distribuci Anaconda (jak spojit Anacondu a PyCharm jde vygooglit, osobně jsem to nikdy nedělal a ani to dělat nechci).
- Hezký český úvod do práce s daty v Pythonu je třeba tahle diplomka pana Šenovského z VUT.
- Úvod do Pythonu a vše potřebné ostatní jde vygooglit taky, zaujalo mne:
- český výukový server o Pythonu www.python.cz, informace o Pythonu v češtině na www.py.cz
- rychlý úvod do NumPy pro verzi 0.14 (anglicky, v češtině asi nic nemáme)
- a ještě jeden anglický rychloúvod do NumPy spolu se základy Pythonu
- SciPy?
- Něco o Pandas je česky k dispozici tady (viz taky Google "python pandas česky")
- Anglický úvod do Statsmodels je dostupný přímo jako Jupyter notebook z domovské stránky.
- Úkoly a příklady z ISLR zpracované v Pythonu lze opět vygooglit ("islr python"), spousta příkladů je na GitHubu, ještě jsem je ale neprošel, abych zjistil, zda jde o jeden a ten samý projekt xkrát naklonovaný nebo jak to je.