Tanuló rendszerek

A tantárgy angol neve: Learning Systems

Adatlap utolsó módosítása: 2009. október 27.

Tantárgy lejárati dátuma: 2012. július 2.

Budapesti Műszaki és Gazdaságtudományi Egyetem
Villamosmérnöki és Informatikai Kar

Villamosmérnöki és mérnök informatikus szak 

Szabadon választható tantárgy

Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
VIAUJV13   4/0/0/v 4  
3. A tantárgyfelelős személy és tanszék Dr. Vajk István,
4. A tantárgy előadója Dr.Vajk István Automaizálási és Alkalmazott Informatikai Tanszék

 

5. A tantárgy az alábbi témakörök ismeretére épít Jelek és rendszerek, illetve Hálózatok és rendszerek

 

 

6. Előtanulmányi rend
Kötelező:
NEM ( TárgyTeljesítve("BMEVIAU9113") )

A fenti forma a Neptun sajátja, ezen technikai okokból nem változtattunk.

A kötelező előtanulmányi rendek grafikus formában itt láthatók.

Ajánlott:
A tárgyat nem vehetik fel azok, akik már előzőleg teljesítették a VIAU9113 (Tanuló rendszerek) tárgyat.

 

7. A tantárgy célkitűzése A tárgy a megfigyelésen alapuló modellalkotás kérdéseivel foglalkozik. Célkitűzése, hogy a hallgató jártasságot szerezzen az alapvető regresszió jellegű becslési és osztályozási módszerek használatában, valamint ismereteket nyújtson az adaptív jelfeldolgozási és irányítási problémák megoldásához.

 

 

8. A tantárgy részletes tematikája

 

 

Hét

 

 

 

Téma

 

 

 

1

 

 

 

A tanulás fogalma, a tanulás célja, a tanulási módszerek osztályozása. Tanulás címkézett és nem címkézett adatokból. Alapvető tanulási paradigmák: tanulás tanítóval és tanító nélkül, megerősítéses tanulás. Regresszió és osztályozás. Bevezető példák.

 

2

 

 

 

Optimalizálási problémák áttekintése. Analitikus optimalizálás: többváltozós függvények optimalizálása egyenlőség és egyenlőtlenség típusú korlátozás esetén (Karush-Kuhn-Tucker feltételek), konvex optimalizálási feladatok. Lineáris programozás, szemidefinit programozás, LMI, dinamikus programozás.

 

3

 

 

 

Numerikus optimalizálás módszerei: függvényértékek, gradiens, Jacobi és Hess mátrixok felhasználásával, Levenberg-Marquardt algoritmus.

 

4

 

 

 

A statisztika alapvető fogalmai és problémái. Elvárások és módszerek.

 

5

 

 

 

Tanulás tanítóval. Regressziós probléma. Paraméterbecsléstől elvárt tulajdonságok, paraméterbecslés alapvető eljárásai. LS, ML, Bayes becslők. Az eloszlások parametrikus és nemparametrikus becslése.

 

6

 

 

 

Paraméterbecslés célfüggvényt minimalizáló/maximalizáló módszerekkel. Legkisebb négyzetek módszere. Heurisztikus megközelítés, becslés másodrendű sztochasztikus minták alapján, becslés az eloszlásfüggvény típusának ismeretében. Az LS becslés általánosítása. GLS, TLS (total least squares) becslési módszerek.

 

7

 

 

 

Becslés korrelálatlansági feltételekkel. Pszeudolineáris rendszerek becslése. Esettanulmányok.

 

8

 

 

 

Struktúrabecslés, túlbecslés kezelése. Heurisztikus megoldások (keresztvalidáció). Hipotézisvizsgálat használata modellszelekcióra, F próba, FPE (final prediction error). Kisérlettervezés alapjai.

 

9

 

 

 

Nemlineáris rendszerek identifikációja. Az ismert struktúrájú rendszerektől az univerzális függvényapproximátorokig. Univerzális approximátorok (interpolációs módszerek,  k-legközelebbi szomszéd módszere, neurális háló, support vektor, fuzzy rendszerek, regressziós fa…)

 

10

 

 

 

Regressziós és osztályozási problémák és módszerek kapcsolata. Osztályozási algoritmusok. Példák.

 

11

 

 

 

Tanító nélküli tanulás. Lényegkiemelő, k-közepek , EVD-SVD algoritmusok. Osztályozás tanító nélkül.

 

12

 

 

 

Megerősítéses tanulás alapjai. Dinamikus programozás, Q tanulás, temporális differenciák módszere.

 

13

 

 

 

Rekurzív becslési és osztályozási módszerek. Időben változó paraméterű rendszerek kezelése. Az adaptív irányítás általános elmélete, duális irányítás, aktív és passzív adaptív rendszerek, heurisztikus módszerek.

 

14

 

Esettanulmányok. Alkalmazások.

 

 

9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium) Előadás

 

10. Követelmények a. A szorgalmi időszakban:

 

A félév során egy házi feladat készítenek a hallgatók. A félévvégi aláírás feltétele a házi feladat legalább elégséges szintű teljesítése.

 

 

b. A vizsgaidőszakban:

 

A vizsga módja: írásbeli. A vizsgáztató jogosult szóbeli kérdéseket is feltenni.

 

 

11. Pótlási lehetőségek A házi feladat bemutatása és beadása a pótlási héten az előadóval előzetesen egyezetett időpontban.

 

12. Konzultációs lehetőségek A hallgatók számára igény szerint konzultációt lehetőséget biztosítunk.

 

 

13. Jegyzet, tankönyv, felhasználható irodalom Mitchell, T (2006) Machine Learning, McGraw Hill.

 

Rao,Toutenburg, Shalabh, Heumann (2008) Linear models and generalizations, Springer.

 

 

14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka
Kontakt óra56
Félévközi készülés órákra14
Felkészülés zárthelyire
Házi feladat elkészítése20
Kijelölt írásos tananyag elsajátítása
Vizsgafelkészülés30
Összesen120
15. A tantárgy tematikáját kidolgozta Dr. Vajk István egyetemi tanár