Budapest University of Technology and Economics, Faculty of Electrical Engineering and Informatics

    Belépés
    címtáras azonosítással

    vissza a tantárgylistához   nyomtatható verzió    

    Gépi tanulás

    A tantárgy angol neve: Machine Learning

    Adatlap utolsó módosítása: 2014. szeptember 26.

    Budapesti Műszaki és Gazdaságtudományi Egyetem
    Villamosmérnöki és Informatikai Kar

    Informatikai szak

    Intelligens rendszerek szakirány

    MSc képzés

    Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
    VIMIM136 1 2/1/0/v 4  
    3. A tantárgyfelelős személy és tanszék Dr. Pataki Béla József,
    4. A tantárgy előadója

    dr. Horváth Gábor egyetemi docens

    dr. Pataki Béla egyetemi docens

    5. A tantárgy az alábbi témakörök ismeretére épít Mesterséges intelligencia
    6. Előtanulmányi rend
    Kötelező:
    NEM ( TárgyEredmény( "BMEVIMIMA05" , "jegy" , _ ) >= 2
    VAGY
    TárgyEredmény("BMEVIMIMA05", "FELVETEL", AktualisFelev()) > 0)

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

    A kötelező előtanulmányi rend az adott szak honlapján és képzési programjában található.

    Ajánlott:
    Mesterséges intelligencia VIMIA 313
    7. A tantárgy célkitűzése

    A tantárgy az intelligens rendszerek egyik alapvető képességének, a tanulásnak a gépi megvalósítási lehetőségeivel foglalkozik. Bemutatja a gépi tanulás fajtáit, összefoglalja a gépi tanulás elméleti alapjait, és részletesen elemzi a legfontosabb tanuló rendszer architektúrákat. A tárgy a gépi tanulást egységes keretbe helyezve, mint a környezetből származó információ kinyerésére és feldolgozására alkalmas megközelítést tekinti. A tanuló eljárásokat és architektúrákat azzal az igénnyel mutatja be, hogy elősegítse olyan komplex intelligens információfeldolgozási feladatok megoldását, melyeknél alapkövetelmény a megoldás folyamatos javítása a környezetből származó egyre több információ felhasználásával, valamint a környezet változásaihoz való alkalmazkodás, az adaptálódás. Az elméleti alapok bemutatásán túl a tárgy célja, hogy fejlessze a tudatos problémamegoldó készséget. Mindezt az egységes tárgyalásmód alkalmazásával és komplex alkalmazási példák bemutatásával éri el. A tárgy keretében elsajátított módszerek megalapozásként és háttérként szolgálnak kutatási és fejlesztési feladatok megoldásához.

    8. A tantárgy részletes tematikája

     

    · Bevezetés (2 óra elmélet/előadás):

    A tanulás fogalma, tanuló gépek, tanulás intelligens rendszerekben. A legfontosabb tudásalapú architektúrák: döntési fák, neuronhálók, tudásalapú hibrid intelligens rendszerek. (Áttekintés)

    · Tudás szerepe a tanulásban (2 óra elmélet/előadás):

    A tudás szerepe a tanulásban, tudásreprezentációk, tanulás különböző tudás­repre­zentációk mellett. Magyarázat alapú tanulás. Tanulás releváns információ alapján. Induktív logikai programozás

    · Tanulás minták alapján (2 óra elmélet/előadás):

    A minták alapján történő gépi tanulás fajtái. Felügyelt és felügyelet nélküli tanulás, félig felügyelt tanulás, meg­erő­sí­té­ses tanulás.

    · A gépi tanulás elméleti megalapozása (4 óra elmélet/előadás):

    A tanulás számítási elmélete, valószínűleg közelítőleg helyes (VKH, PAC) tanuló algoritmusok. Statisztikai tanuláselmélet (SLT). A tanuló eljárások minősítése. A VC-dimenzió fogalma. A tapasztalati hiba minimalizálás szerepe, ERM elv. A tanuló eljárások hibájának (általánosító képesség) felső korlátjai. Strukturális kockázat­minimalizálás (SRM) elve.

    · Ellenőrzött tanulású architektúrák (4 óra elmélet/előadás):

    Döntési fák. Klasszikus neuronhálók (MLP, bázisfüggvényes hálók). A tanuló eljárások, mint optimalizáló algoritmusok. Tanulás és paraméterbecslés.

    · Kernel gépek és változataik (4 óra elmélet/előadás):

    A kernel gépek származtatása, a kernel trükk és jelentősége. Szupport vektor gépek (SVM) és változataik. A klasszikus hálók és a kernel gépek kapcsolata. A teljesítőképesség korlátai nagy­margójú osztályozási feladatoknál. A VC-dimenzió felső korlátja. Az SVM és az SRM elv kapcsolata. Gauss folyamatok.

    · Megerősítéses tanulás (4 óra elmélet/előadás):

    A jutalom szerepe a tanulásban. Passzív megerősítéses tanulás, adaptív dinamikus prog­ra­mo­zás, időbeli különbség (TD) tanulás. Aktív megerősítéses tanulás. Q tanulás.

    · Nemellenőrzött tanulás (4 óra elmélet/előadás):

    Alapfeladatok: főkomponens analízis (PCA), független komponens analízis (ICA). Elméleti alapok. A PCA feladat, mint mintákból történő tanuló eljárás, PCA hálók. Kernel PCA. A független komponens analízis matematikai alapjai. Az ICA megvalósí­tása tanuló rendszerekkel.

    · A gyakorlati feladatmegoldás problémái, alkalmazások (4 óra elmélet/előadás):

    Adatelőkészítés, normalizálás, dimenzió redukció. Zajos adatok kezelése. Hiányzó adatok prob­lé­mája. Az EM algoritmus és szerepe az adatelőkészítésben. Kilógó adatok.

    Tanulás kooperatív rendszerekben. (4 óra elmélet/előadás):

    Együttműködés és versengés. Moduláris tanuló rendszerek. Pontos és különböző szakértők kooperációja. Erős és gyenge tanulás. Boosting.

    · Alkalmazási példák (2 óra elmélet/előadás):

    Szövegfeldolgozás, képfeldolgozás. Rendszermodellezés és szabályozás nem­lineáris, dina­mi­kus rendszerekben. Előrejelzési feladatok. Megerősítéses tanulás alkalmazása: játékok, robotirányítás, stratégiakészítés.

    A tárgyhoz tartozó gyakorlati ismereteket hallgatók a Kooperáció és gépi tanulás labor keretein belül sajátitják el.

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

    A tárgy elméleti része előadás formájában kerül leadásra. Gyakorlati feladatok megoldására a félév során a gyakorlati órákon, illetve a kapcsolódó labor keretein belül kerül sor.

    10. Követelmények

    a. A szorgalmi időszakban:

         Egy zárthelyi, amelyet legalább 40% szinten kell teljesíteni a vizsgárabocsájthatósághoz.

    b. A vizsgaidőszakban:

    Írásbeli beugró után szóbeli vizsga. Az írásbeli csak sikerült/sikertelen jellegű, amennyiben sikerült, akkor a vizsga szóbelin kialakuló eredményét már nem befolyásolja. A vizsgára bocsátás feltétele a félévközi zárthelyi minimálisan 40 % szintű teljesítése.

     

    c. Osztályozás:

    A vizsga osztályzata a vizsgaeredmény alapján kerül megállapitásra.

    11. Pótlási lehetőségek  

    A zárthelyi pótlása a szorgalmi időszakban, illetve a pótlási héten egy alkalommal lehetséges. (A TVSZ-nek megfelelően.)

    12. Konzultációs lehetőségek

    Igény esetén, megbeszélés alapján.

    13. Jegyzet, tankönyv, felhasználható irodalom

    A tárgy web-lapján közzétett előadási jegyzet, elektronikusan hozzáférhető ajánlott szak­iro­da­lom és kiegészítő információ, valamint web-es linkgyűjtemény.

    A tárgy anyagának elsajátításához az alábbi könyvek is nagy segítséget adnak.

    Altrichter Márta, Horváth Gábor, Pataki Béla, Strausz György, Takács Gábor, Valyon József: Neurális hálózatok”, Panem, 2007.

    T. Mitchell: Machine Learning, McGraw-Hill 1997.

    Stuart Russell és Peter Norvig: Mesterséges intelligencia korszerű megközelítésben, 2., átdolgozott kiadás, Panem Kiadó, Budapest, 2006

    Carl Edward Rasmussen, Chistopher K. I. Williams: Gaussian Processes for Machine Learning. The MIT Press, Cambridge, MA. 2006.

    Olivier Chapelle, Bernhard Schölkopf, Alexander Zien: Semi-supervised Learning. The MIT Press, Cambridge, MA, 2006.

    14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka
    Kontakt óra42
    Félévközi készülés órákra  7
    Felkészülés zárthelyire15
    Házi feladat elkészítése-
    Kijelölt írásos tananyag elsajátítása16
    Vizsgafelkészülés40
    Összesen120
    15. A tantárgy tematikáját kidolgozta

    dr. Horváth Gábor

    dr. Pataki Béla

    Egyéb megjegyzések A tárgy neve angolul: Machine learning