Education:
  • Ph.D. in mathematical engineering from Faculty of Nuclear Sciences and Physical Engineering, Czech Technical University
Affiliations:
  • Institute of Information Theory and Automation, Czech Academy of Sciences,
    • Pod Vodárenskou věží 4, Prague 8, Czech Republic, room 480
    • Research in inverse problems of atmospheric releases and blind source separations problems in medical imaging
  • National Radiation Protection Institute
  • College of Polytechnics Jihlava
Contact:
  • otichy (at) utia.cas.cz
For full list, see.

Journal papers

  1. Tichý Ondřej, Šmídl Václav, Hofman Radek, Evangeliou N.: Source term estimation of multi-specie atmospheric release of radiation from gamma dose rates, Quarterly Journal of the Royal Meteorological Society (2018) (in print)
  2. Tichý Ondřej, Šmídl Václav, Hofman Radek, Šindelářová Kateřina, Hýža M., Stohl A.: Bayesian inverse modeling and source location of an unintended 131I release in Europe in the fall of 2011, Atmospheric Chemistry and Physics vol.17, 20 (2017), p. 12677-12696
  3. Tichý Ondřej, Šmídl Václav, Hofman Radek, Stohl A.: LS-APC v1.0: a tuning-free method for the linear inverse problem and its application to source-term determination, Geoscientific Model Development vol.9, 11 (2016), p. 4297-4311
  4. Tichý Ondřej, Šmídl Václav: Non-parametric Bayesian models of response function in dynamic image sequences, Computer Vision and Image Understanding vol.151, 1 (2016), p. 90-100
  5. Tichý Ondřej, Šmídl Václav, Šámal M.: Model-based extraction of input and organ functions in dynamic scintigraphic imaging, Computer Methods in Biomechanics and Biomedical Engineering: Imaging & Visualization vol.4, p. 135-145
  6. Tichý Ondřej, Šmídl Václav: Estimation of Input Function from Dynamic PET Brain Data Using Bayesian Blind Source Separation, Computer Science and Information Systems vol.12, 4 (2015), p. 1273-1287
  7. Tichý Ondřej, Šmídl Václav: Bayesian Blind Separation and Deconvolution of Dynamic Image Sequences Using Sparsity Priors, IEEE Transactions on Medical Imaging vol.34, 1 (2015), p. 258-266
  • FIT CVUT, magistersky, letni semestr

Předmět je zaměřen na praktické využití základních metod bayesovského modelování v dynamicky se rozvíjející oblasti machine learningu, konkrétně na popis reálných jevů vhodně sestavenými modely s jejich následným využitím např. pro předpověď budoucího vývoje nebo pro získání informací o vnitřní proměnné (skutečné polohy objektu ze zašuměných měření aj.). Důraz je kladen na pochopení vyložených principů a metod a zejména jejich praktické osvojení, k čemuž slouží řada reálných příkladů a aplikací (např. sledování objektů ve 2D/3D, odhadování zdrojů radiačních úniků, separace medicínských obrazových dat), s nimiž bude student seznámen a/nebo které se sám pokusí řešit.

Materialy:

  • VSPJ, bakalarsky, zimni semestr

Absolvováním předmětu získají studenti vhled do programování technických výpočtů v prostředí Matlab, naučí se uplatňovat a využívat základní datové typy a funkce a provádět efektivní technické výpočty a simulace.

Materialy:

  • Navod pro ziskani licence pro studenty VSPJ.
  • Kvalitni vyukovy material pro samostudium a prohloubeni znalosti a dovednosti v Matlabu.
  • Data k pouziti v hodine.

Ziskani klasifikovaneho zapoctu:

  • Zadani uloh pro ziskani KZ, data ke stazeni zde.
  • Reseni poslete na ondrej.tichy (at) vspj.cz do konce unora 2019.