The course delivers a comprehensive pathway through probability theory and calculus, from axioms to applications in statistical design.

The course focusses on the optimal design of recursive algorithms for online, adaptive and non-stationary signal processing, with a particular emphasis on comparing Bayesian algorithms with long-established classical algorithms for these applications.

The subject is focused on practical use of basic Bayesian modeling methods in the dynamically evolving machine learning theory. In particular, it studies the construction of appropriate models providing description of real phenomena, as well as their subsequent use, e.g., for forecasting of future evolution or learning about the hidden variables (true object position from noisy observations etc.). The emphasis is put on understanding of explained principles and methods and their practical adoption.

Předmět je zaměřen na praktické zvládnutí teorie modelování základních časových řad v inženýrských problémech, od ekonomických (ceny na burze, zaměstnanost), přes průmyslové (modelování signálů a procesů), po problematiku počítačových sítí (zatížení prvků sítě, detekce útoků). Studenti se naučí zvolit vhodný model pro dané procesy, tento model správně odhadnout, analyzovat jeho vlastnosti a využít pro předpovědi budoucích nebo mezilehlých hodnot. Důraz je kladen na pochopení hlavních principů a jejich osvojení na praktických příkladech z reálného světa.