Sylabus
1. Matrix representations and matrix decompositions
2. Eigenvalue decomposition, least squares regression, singular value decomposition
3. Numerical linear algebra in data science applications a. principal component analysis, low-rank approximation and compression b. clustering and classification c. Pagerank and semantic indexing d. non-negative matrix decomposition
4. Current research directions and applications
Anotace
Cílem předmětu je seznámit posluchače se základními pojmy numerické lineární algebry, které se objevují v metodách pro datovou vědu a informatiku. Po úvodu a přehledu maticových reprezentací dat a základních maticových rozkladů jsou tyto koncepty ilustrovány v různých aplikacích včetně komprese dat, klastrování, klasifikace a neuronových sítí.
Kurz si klade za cíl ilustrovat tyto koncepty pomocí softwarové implementace a seznámení s nástroji pro výpočetní clustery.