Nazwa przedmiotu:
Uczenie się maszyn
Koordynator przedmiotu:
Paweł CICHOSZ
Status przedmiotu:
Fakultatywny dowolnego wyboru
Poziom kształcenia:
Studia I stopnia
Program:
Elektronika
Grupa przedmiotów:
Przedmioty techniczne
Kod przedmiotu:
UM
Semestr nominalny:
7 / rok ak. 2015/2016
Liczba punktów ECTS:
4
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
108 1. udział w wykładach: 15 x 2 godz. = 30 godz. 2. przygotowanie do kolejnych wykładów i realizacji projektu (przejrzenie materiałów z wykładu i dodatkowej literatury, próba rozwiązania ćwiczeń domowych sformułowanych na wykładzie): 15 x 20 min. = 5 godz. 2. udział w konsultacjach związanych z realizacją projektu: 6 x 30 min. = 3 godz. 3. realizacja zadań projektowych: 60 godz. (w tym zapoznanie się z literaturą, analiza zadania, implementacja algorytmów, strojenie parametrów, przeprowadzenie badań, sporządzenie dokumentacji) 4. przygotowanie do egzaminu: 10 godz. Razem: 30 + 5 + 3 + 60 + 10 = 108 godz.
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
wykład: 30 godz. konsultacje: 3 godz. razem 33 godz. (1 punkt ECTS)
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
2 projekt 60 godz. konsultacje: 3 godz. razem: 63 godz. (2 punkty ECTS)
Formy zajęć i ich wymiar w semestrze:
  • Wykład30h
  • Ćwiczenia0h
  • Laboratorium0h
  • Projekt30h
  • Lekcje komputerowe0h
Wymagania wstępne:
Umiejętność programowania w dowolnym języku programowania ogólnego przeznaczenia.
Limit liczby studentów:
30
Cel przedmiotu:
1. Zapoznanie studentów z podstawami teoretycznymi, mechanizmami działania i zastosowaniami najważniejszych algorytmów uczenia się. 2. Ukształtowanie podstawowych umiejętności w zakresie implementacji algorytmów uczenia się i ich stosowania do rozwiązywania zadań praktycznych.
Treści kształcenia:
Plan wykładu: 1. Rola uczenia się w sztucznej inteligencji. Klasyfikacja metod uczenia się. Podstawowa terminologia i notacja. 2. Obliczeniowa teoria uczenia się. Model PAC i jego zastosowanie do wyznaczania ograniczeń na liczbę przykładów trenujących. 3. Wymiar VC. Brzytwa Ockhama. Przestrzenie wersji.Praktycznie konsekwencje obliczeniowej teorii uczenia się. 4. Ogólne i szczegółowe ograniczenie przestrzeni wersji. Algorytm eliminacji kandydatów. 5. Reprezentacja hipotez za pomocą zbiorów reguł. Przeszukiwanie przestrzeni kompleksów. Algorytmy AQ i CN2. 6. Reprezentacja hipotez za pomocą drzew decyzyjnych. Zstępujące konstruowanie drzewa. Kryteria stopu. Kryteria wyboru testu. 7. Kryteria wyboru testu. Konwersja drzew do zbiorów reguł. Przycinanie drzew decyzyjnych i zbiorów reguł. 8. Indukcyjne programowania logicznego jako uczenie się pojęć opisanych w logice predykatów. Podstawy logiki predykatów. 9. Schemat działania algorytmu FOIL. Ocena jakości literałów. 10. Reprezentacja hipotez za pomocą automatów skończonych. Informacja trenująca do uczenia się automatów. Tablica obserwacji i konstrukcja automatu w algorytmie L*. 11. Rezygnacja z zapytań o równoważność w algorytmie L*. Użycie sekwencji sprowadzających w algorytmie L*. 12. Zadanie uczenia się ze wzmocnieniem. Procesy decyzyjne Markowa. Podstawy programowania dynamicznego. 13. Algorytmy uczenia się ze wzmocnieniem oparte na metodach różnic czasowych. 14. Reprezentacja funkcji wartości w uczeniu się ze wzmocnienieniem. Równoważenie eksploracji i eksploatacji. Zakres projektu: Projekt polega na implementacji wybranych algorytmów uczenia się i ich zastosowaniu do realistycznie symulowanych zadań praktycznych.
Metody oceny:
Ocena sumatywna oparta na wynikach egzaminu, wstępnej dokumentacji oraz realizacji projektu. Ocena formatywna na podstawie interakcji ze studentami w czasie wykładu (wspólne wykonywanie przykładów), rozwiązań ćwiczeń domowych formułowanych na wykładzie oraz pytań w ramach konsultacji.
Egzamin:
tak
Literatura:
1. Mitchell, T. (1997). Machine Learning. McGraw-Hill. 2. Cichosz, P. (2000, 2007). Systemy uczące się. WNT. 3. Publikacje w czasopismach (m.in. Machine Learning, Journal of Machine Learning Research, Artificial Intelligence, Journal of Artificial Intelligence Research) i materiałach konferencji (m.in. International Conference on Machine Learning).
Witryna www przedmiotu:
http://www.ise.pw.edu.pl/~cichosz/um
Uwagi:

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Efekt UM_W1
ma wiedzę umożliwiającą wykorzystanie elementów obliczeniowej teorii uczenia się do oceny złożoności zadań uczenia się i wymaganej liczby przykładów trenujących
Weryfikacja: egzamin
Powiązane efekty kierunkowe: K_W01, K_W03
Powiązane efekty obszarowe: T1A_W01, T1A_W02, T1A_W03, T1A_W07, T1A_W02, T1A_W07
Efekt UM_W2
ma wiedzę niezbędną do analizy przebiegu wykonania algorytmów uczenia się pojęć i weryfikacji ich wyników
Weryfikacja: egzamin
Powiązane efekty kierunkowe: K_W03, K_W04
Powiązane efekty obszarowe: T1A_W02, T1A_W07, T1A_W03, T1A_W07
Efekt UM_W3
ma wiedzę niezbędną do analizy przebiegu wykonania algorytmów indukcyjnego programowania logicznego i weryfikacji ich wyników
Weryfikacja: egzamin
Powiązane efekty kierunkowe: K_W03, K_W04
Powiązane efekty obszarowe: T1A_W02, T1A_W07, T1A_W03, T1A_W07
Efekt UM_W4
ma wiedzę niezbędną do analizy przebiegu wykonania algorytmów uczenia się automatów skończonych i weryfikacji ich wyników
Weryfikacja: egzamin
Powiązane efekty kierunkowe: K_W03, K_W04
Powiązane efekty obszarowe: T1A_W02, T1A_W07, T1A_W03, T1A_W07
Efekt UM_W5
ma wiedzę niezbędną do wykorzystania elementów teorii procesów decyzyjnych Markowa i programowania dynamicznego do wartościowania i porównywania strategii decyzyjnych
Weryfikacja: egzamin
Powiązane efekty kierunkowe: K_W01
Powiązane efekty obszarowe: T1A_W01, T1A_W02, T1A_W03, T1A_W07
Efekt UM_W6
ma wiedzę niezbędną do analizy przebiegu wykonania algorytmów uczenia się ze wzmocnieniem i weryfikacji ich wyników
Weryfikacja: egzamin
Powiązane efekty kierunkowe: K_W03, K_W04
Powiązane efekty obszarowe: T1A_W02, T1A_W07, T1A_W03, T1A_W07

Profil ogólnoakademicki - umiejętności

Efekt UM_U1
potrafi formułować praktyczne zadania inżynierskie jako zadania uczenia się
Weryfikacja: projekt
Powiązane efekty kierunkowe: K_U01, K_U02, K_U04, K_U11
Powiązane efekty obszarowe: T1A_U09, T1A_U08, T1A_U09, T1A_U01, T1A_U09, T1A_U15
Efekt UM_U2
potrafi implementować algorytmy uczenia się oraz oceniać i stosować ich wyniki
Weryfikacja: projekt
Powiązane efekty kierunkowe: K_U02, K_U08, K_U11, K_U18
Powiązane efekty obszarowe: T1A_U08, T1A_U09, T1A_U05, T1A_U09, T1A_U15, T1A_U09, T1A_U16
Efekt UM_U3
potrafi prezentować przyjęte sformułowanie zadania uczenia się, opisywać algorytmy uczenia się oraz dokumentować plan i przebieg eksperymentów z ich wykorzystaniem
Weryfikacja: projekt
Powiązane efekty kierunkowe: K_U05, K_U06, K_U07, K_U10
Powiązane efekty obszarowe: T1A_U02, T1A_U03, T1A_U04, T1A_U07

Profil ogólnoakademicki - kompetencje społeczne

Efekt UM_K1
potrafi przezwyciężać trudności związane ze złożonością algorytmów uczenia się lub niezadowalającymi wynikami ich działania przez pozyskiwanie dodatkowych informacji oraz aktywne poszukiwanie środków zaradczych
Weryfikacja: projekt
Powiązane efekty kierunkowe: K_K01, K_K05, K_K06
Powiązane efekty obszarowe: T1A_K01, T1A_K05, T1A_K06