Cvičení předmětu probíhají v učebně K107b, kam se víceméně vejdeme a kde je téměř dostatek počítačů pro všechny. Předpokládám, že ovládáte nějaký vyšší programovací jazyk, ovládáte penzum znalostí obsažené v předmětu 14AS, respektive že jste prošli cvičeními 11SIS a programovali ve Scilabu. Ve cvičeních budeme používat Matlab a jeho toolboxy. Matlab si během prvního týdne nastudujete sami.
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.
Program cvičení předmětu je tento:
| Blok | Náplň |
|---|---|
| 1. 20.2.2018 |
Samostatná příprava: Úvod do Matlabu. PDF s pokyny k samostatné práci na cvičení. 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
|
| 2. 21.2.2018 |
Samostatná příprava: Lineární algebra v Matlabu. Práce na individuálních zadáních z oblasti lineární algebry: Vektorové prostory, řešení soustav rovnic, výpočty determinantu, vlastní čísla, jednoduché zpracování dat, grafické výstupy. Zde si můžete stáhnout PDF s pokyny. |
| 3. 22.2.2018 |
Konzultace k Matlabu. Vstupní test teoretických znalostí. Shrnutí, prostor pro dotazy. Cvičení předchází test znalostí z oblasti 11LA, 11CAL, 11STS. |
| 4. 27.2.2018 |
Pouze přednáška. |
| 5. 28.2.2018 |
Pouze přednáška. |
| 6. 1.3.2018 |
Filtrace dat. Kalmanův filtr. PDF s orientačním obsahem cvičení. Ke stažení: Archiv kódu pro 6. cvičení (Matlab, Python) |
| 7. 6.3.2018 |
Úvod do statistického zpracování dat. PDF s úkoly. Ke stažení: Archiv dat pro 7. cvičení (CSV soubory) |
| 8. 7.3.2018 |
Statistické zpracování dat. Ke stažení: Archiv kódu pro 8. cvičení (Matlab, Python) |
| 9. 8.3.2018 |
Lineární regrese. PDF s orientačním obsahem cvičení. Ke stažení: Archiv kódu pro 9. cvičení |
| 10. 13.3.2018 |
(patrně) Pouze přednáška. |
|
11. |
Klasifikace. PDF s orientačním obsahem cvičení. Křížová validace. PDF s orientačním obsahem cvičení. Regularizace (hřebenová regrese, Lasso). TODO Ke stažení: Archiv dat pro 11. cvičení Archiv kódu pro 11. cvičení |
| 12. 15.3.2018 |
Shlukování Kmeans a hierarchické shluky. 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. PDF s orientačním obsahem cvičení. Ke stažení: Archiv kódu pro 12. cvičení (shluky) a Archiv kódu pro 12. cvičení (CVX) |
| 13a. 27.3.2018 |
Pouze jedna přednáška po bloku doc. Fábery v Horské |
|
13b. |
Pouze jedna přednáška po bloku doc. Fábery v Horské Kód nouzově zde. |
Poznámky k práci v Pythonu:
- Pracujeme v Pythonu verze 3.6.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 Jupyter. Vše lze stáhnout a doinstalovat pomocí příkazu pip. Alternativně lze použít distribuci Anaconda (jak spojit Anacondu a PyCharm jde vygooglit).
- 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, inforamce 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 zpracovené 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