Strojové učenie
zimný semester 2002/2003

Prednášky:

Tibor Hegedüs || 16.9.-17.12. || pondelok 15.40-17.15, poslucháreň I || utorok 10.40-11.25, poslucháreň III

Cvičenia:

Tibor Hegedüs || 17.9.-17.12. || utorok 11.30-12.15, poslucháreň III

Bodované cvičenia: 29.10.

Take-Home Exam!

Hodnotenie: cvičenia (15 bodov) + skúška (30 bodov) = celkovo 45 bodov

Cvičenia:

• možno získať 15 bodov;
• niekoľko (3-4) príkladov vždy týždeň dopredu;
• netreba písomné riešenia, ale treba oznámiť, čo má kto vyriešené;
• 80% vyriešených príkladov => maximálny počet bodov (15);
• nutná podmienka: mať vyriešených aspoň 20% príkladov (za toto je 0 bodov);

Skúška:

• len písomná skúška!
• trvanie: trojhodinová (štvorhodinová);
• 5 otázok, každá za 6 bodov, teda možno získať 30 bodov;
  

Celkovo:

• možno získať 45 bodov;
• na trojku: 50-percentná úspešnosť, t.j., 22.5 bodov;
• na dvojku: 2/3-ová úspešnosť, t.j., 30 bodov;
• na jednotku: 5/6-ová úspešnosť, t.j., 37.5 bodov;

Cieľ predmetu:

Oboznámiť so základnými matematickými modelmi učenia skúmanými v oblasti strojového učenia. Formalizácia a analýza rôznych algoritmických procesov metódami výpočtovej teórie učenia.

Stručný sylabus:

História strojového učenia. Učenie sa z príkladov. Koncepty, učenie sa konceptov. Inductive bias. Priestor verzií. Algoritmus odstraňovania kandidátov. Induktívne vytváranie rozhodovacích stromov: algoritmus ID3. Neurónové siete, perceptrón. Induktívna inferencia. Výpočtová teória učenia. Modely identifikácie konceptov: presná identifikácia, PAC (Probably Approximately Correct) učenie, aktívne učenie. Occamova britva. Analýza rôznych reprezentačných schém z pohľadu učenia: booleovské funkcie v disjunktívnom normálnom tvare, rozhodovacie stromy, deterministické konečné automaty, geometricky definované hypotézy, neurónové siete. Hlasovacie schémy, boosting. Aplikácie metód strojového učenia v oblasti dolovania dát (data mining). Induktívne logické programovanie.

Literatúra:

1. M. Anthony, N. Biggs: Computational Learning Theory. Cambridge University Press, Cambridge, 1992.
2. M. Kearns, U. Vazirani: An Introduction to Computational Learning Theory. MIT Press, Cambridge, MA, 1994.
3. N. Nilsson: Introduction to Machine Learning. Rukopis knihy, 1996.
4. T. Mitchell: Machine Learning. McGraw-Hill, New York, 1997.
5. P. Návrat a kol.: Umelá inteligencia. Vydavateľstvo STU, Bratislava, 2002.