M'AI: Dynamika kolektywna
Informacje ogólne
Kod przedmiotu: | 1000-1M22MDK |
Kod Erasmus / ISCED: |
11.1
|
Nazwa przedmiotu: | M'AI: Dynamika kolektywna |
Jednostka: | Wydział Matematyki, Informatyki i Mechaniki |
Grupy: |
Przedmioty monograficzne dla matematyki 2 stopnia Przedmioty obieralne na studiach drugiego stopnia na kierunku bioinformatyka |
Punkty ECTS i inne: |
(brak)
|
Język prowadzenia: | angielski |
Rodzaj przedmiotu: | monograficzne |
Założenia (lista przedmiotów): | Równania różniczkowe zwyczajne (potok 1) 1000-114bRRZa |
Założenia (opisowo): | Uczestnik powinien znać podstawowe pojęcia i metody równań różniczkowych zwyczajnych. |
Skrócony opis: |
Wykład ma na celu pokazać w jaki sposób uczenie maszynowe może być stosowane celem lepszego zrozumienia zachowań kolektywnych opisywanych równaniami zwyczajnymi. Wykład prowadzony we współpracy z dr. Jackiem Cyranką z Instytutu Informatyki oraz prof. Piotrem Muchą z Instytutu Matematyki Stosowanej i Mechaniki. |
Pełny opis: |
Wykład ma na celu zapoznanie uczestników z podstawowymi modelami pochodzącymi z dynamiki kolektywnej oraz z metodami ich symulacji komputerowych. Szczególny nacisk jest położony na wyprowadzanie modeli za pomocą optymalizacji numerycznej opartej na uczeniu maszynowym. Innymi słowy, mając zadaną ogólną tendencję zachowania grupy agentów, szukamy lokalnej zasady oddziaływania między nimi, prowadzącej do zachowań zgodnych z zadaną tendencją. Dodatkowo do wykładu prowadzone będą ćwiczenia z podstaw Pythona ukierunkowane na uczenie maszynowe. Część wykładu będzie przebiegać w formie warsztatów. Część I: Modele dynamiki kolektywnej. Co to jest dynamika kolektywna. Przykłady modeli (stada ptaków, ławice ryb, autonomiczne drony). Zagadnienie konsensusu liniowego; jego stabilność i asymptotyka. Narzędzie do rozwiązywania numerycznego układów równań pierwszego i drugiego rzędu. Część II: Uczenie maszynowe, a dynamika kolektywna. Wprowadzenie do uczenia maszynowego. Uczenie maszynowe a metoda gradientu prostego. Wyprowadzanie oddziaływań w dynamice kolektywnej w oparciu o uczenie maszynowe. Ze względu na otwarty charakter poruszanych problemów w naturalny sposób znajdziemy tu zagadnienia mogące być podstawą licencjatu czy pracy magisterskiej. Zapraszamy wszystkich zainteresowanych na poziomie licencjackim, magisterskim i doktoranckim. |
Literatura: |
Literatura: * ''Active Particles'' vol. I, vol II Bellomo, Degond, Tadmor * ''Reinforcement Learning'' Sutton, Barto * ''Deep Learning'' Bengio, Courville , Goodfellow |
Metody i kryteria oceniania: |
Projekt zaliczeniowy oraz aktywność na zajęciach. W rzadkich przypadkach może być dodatkowo egzamin ustny umożliwiający poprawę oceny. |
Właścicielem praw autorskich jest Uniwersytet Warszawski.