FI:IV111 Probability in CS - Informace o předmětu
IV111 Probability in Computer Science
Fakulta informatikypodzim 2024
- Rozsah
- 2/2/0. 3 kr. (plus ukončení). Ukončení: zk.
Vyučováno kontaktně - Vyučující
- doc. RNDr. Vojtěch Řehák, Ph.D. (přednášející)
Mgr. Tomáš Macháček (cvičící)
Vojtěch Kůr (cvičící)
Mgr. Ing. Bc. Přemysl Till (pomocník) - Garance
- doc. RNDr. Vojtěch Řehák, Ph.D.
Katedra teorie programování – Fakulta informatiky
Dodavatelské pracoviště: Katedra teorie programování – Fakulta informatiky - Rozvrh
- Čt 26. 9. až Čt 12. 12. Čt 12:00–13:50 A318
- Rozvrh seminárních/paralelních skupin:
IV111/02: Po 30. 9. až Po 16. 12. Po 10:00–11:50 A218, V. Řehák
IV111/03: Po 30. 9. až Po 16. 12. Po 18:00–19:50 A218, V. Kůr
IV111/04: St 2. 10. až St 18. 12. St 14:00–15:50 A319, V. Řehák - Předpoklady
- Knowledge of basic discrete mathematics (e.g. as presented in the course IB000).
- Omezení zápisu do předmětu
- Předmět je nabízen i studentům mimo mateřské obory.
- Mateřské obory/plány
- předmět má 36 mateřských oborů, zobrazit
- Cíle předmětu
- At the end of the course student should have a broad knowledge and an ability of independent study of problems based on the probability theory and its computer science applications. Will be able to apply the results of the probability theory in practical examples. Should be able to learn independently new problems requiring knowledge of probability theory. Will be able to characterise basic principles of data compression and error correction. Should be able to apply information theory results in practice.
- Výstupy z učení
- Student is able: to define basic terms of the mentioned topics (e.g., random variable, expectation, variance, random process, Markov chain, channel capacity, code rate); to explain meaning on the terms on practical examples; to solve simple examples e.g. using linearity o expectation; to provide basic analysis on both discrete- and continuous-time Markov chains; to compute (conditional) expectation, mutual information, and entropy random variables with given probability distribution; to demonstrate basic proof mentioned during lectures.
- Osnova
- Probability. Discrete probabilistic space.
- Random variable and its applications. Expectation and variation.
- Markov and Chebyshev inequalities. Chernoff bounds. Weak and strong law of large numbers.
- Random processes. Markov processes.
- Entropy. Information.
- Applications in computer science (information theory, coding theory etc).
- Literatura
- MITZENMACHER, Michael a Eli UPFAL. Probability and computing : an introduction to randomized algorithms and probabilistic analysis. New York: Cambridge University Press, 2005, xvi, 352. ISBN 0521835402. info
- GRIMMETT, Geoffrey R. a David STIRZAKER. Probability and random processes. 3rd ed. Oxford: Oxford University Press, 2001, xii, 596 s. ISBN 0-19-857222-0. info
- TRIVEDI, Kishor Shridharbhai. Probability and statistics with reliability, queuing, and computer science applications. 2nd ed. New York: Wiley, 2002, xv, 830. ISBN 0471333417. info
- COVER, T. M. a Joy A. THOMAS. Elements of information theory. 2nd ed. Hoboken, N.J.: Wiley-Interscience, 2006, xxiii, 748. ISBN 0471241954. info
- STINSON, Douglas Robert. Cryptography : theory and practice. 3rd ed. Boca Raton: CRC Press, 2006, 593 s. ISBN 1584885084. info
- FELLER, William. An introduction to probability theory and its applications. 3rd ed. [New York]: John Wiley & Sons, 1968, xviii, 509. ISBN 9780471257080. info
- Výukové metody
- Theoretical lectures and practical examples in tutorials.
- Metody hodnocení
- Combination of a written test followed by an oral exam.
- Vyučovací jazyk
- Angličtina
- Další komentáře
- Studijní materiály
Předmět je vyučován každoročně.
- Statistika zápisu (nejnovější)
- Permalink: https://is.muni.cz/predmet/fi/podzim2024/IV111