Uniwersytet Warszawski - Centralny System UwierzytelnianiaNie jesteś zalogowany | zaloguj się
katalog przedmiotów - pomoc

Systemy uczące się

Informacje ogólne

Kod przedmiotu: 1000-2N09SUS Kod Erasmus / ISCED: 11.303 / (0612) Database and network design and administration
Nazwa przedmiotu: Systemy uczące się
Jednostka: Wydział Matematyki, Informatyki i Mechaniki
Grupy: Przedmioty monograficzne dla III - V roku informatyki
Przedmioty obieralne dla informatyki
Przedmioty obieralne stałe dla informatyki
Punkty ECTS i inne: 6.00
zobacz reguły punktacji
Język prowadzenia: angielski
Rodzaj przedmiotu:

monograficzne

Skrócony opis:

Systemy uczące się muszą być zdolne do wyciągnięcia wniosków z doświadczeń, obserwacji i danych historycznych. Ta zdolność powinna doprowadzić do możliwości automatycznego poprawiania się systemu i tym samym zwiększa efektywności i skuteczności. Wykład będzie wstępem do podstaw systemów uczących się. Będziemy się zajmować wiele modeli uczenia opartego o przykłądy, w tym metod drzew decyzyjnych, sieci neuronowych, klasyfikatory Bayesowskie, i itp. To pozwoli nam zrozumieć niektóre problemy i wyzwania dla systemów uczących się, takie jak problem uogólnienia i obciążenia (bias) klasyfikatorów, overfitting, problem wyboru modelu, selekcja cech, wyuczalność, itp.

Pełny opis:

1. Wprowadzenie (1 wykład): Podstawowe pojęcia w teorii uczenia się

2. Uczenie dopasowania modelu do danych (3-4 wykłady): Problem klasyfikacji, metody oceniania klasyfikatorów, Naive Bayes, kNN, reguły decyzyjne. Drzewo decyzyjne, lasy decyzyjne. Sztuczne sieci neuronowe: perceptron i podstawowe struktury sieci.

3. Aproksymacja funkcji i pojęć (3 wykłady): Algorytmy "Gradient descent" oraz "propagacji wstecznej" Regresja logistyczna, SVM: działanie, funkcje błędu i metody regulacji, nieliniowe SVM ...

4. Teoria uczenia się (3 wykłady): Model PAC w teorii uczenia się, Wymiar VC, Wzmocnienie słabych klasyfikatorów (Bagging & boosting). Redukcja problemu klasyfikacji: od wielu klas do 2 klas, cost-sensitive, ranking;

5. Uczenie beznadzoru (3 wykłady): Clustering. K-means. Metody EM (Expectation-Maximization). Analiza składowych głównych: PCA. MDS. pPCA.

Analiza składowych niezależnych: ICA.

6. Uczenie ze wzmocnieniem (2 wykłady): MDP (Markov decision processes), Bellman equations. Algorytmy TD(?) learning (Temporal-difference learning) oraz Q-learning

Literatura:

1. Bishop, "Pattern Recognition and Machine Learning", 2007

2. Hastie, Tibshirani and Friedman, "Elements of Statistical Learning: Data Mining, Inference and Prediction", 2001

3. MacKay, "Information Theory, Inference, and Learning Algorithms", 2003.

4. Mitchell, "Machine Learning", 1997

Zajęcia w cyklu "Semestr letni 2018/19" (zakończony)

Okres: 2019-02-16 - 2019-06-08
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Laboratorium, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Hung Son Nguyen
Prowadzący grup: Wojciech Jaworski, Eyad Kannout, Hung Son Nguyen
Lista studentów: (nie masz dostępu)
Zaliczenie: Egzamin

Zajęcia w cyklu "Semestr letni 2019/20" (w trakcie)

Okres: 2020-02-17 - 2020-06-10
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Laboratorium, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Hung Son Nguyen
Prowadzący grup: Eyad Kannout, Hung Son Nguyen
Lista studentów: (nie masz dostępu)
Zaliczenie: Egzamin
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski.