- 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. 2019/2020
- 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
- Charakterystyka 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 charakterystyki kierunkowe:
K_W01, K_W03
Powiązane charakterystyki obszarowe:
- Charakterystyka UM_W2
- ma wiedzę niezbędną do analizy przebiegu wykonania algorytmów uczenia się pojęć i weryfikacji ich wyników
Weryfikacja: egzamin
Powiązane charakterystyki kierunkowe:
K_W03, K_W04
Powiązane charakterystyki obszarowe:
- Charakterystyka UM_W3
- ma wiedzę niezbędną do analizy przebiegu wykonania algorytmów indukcyjnego programowania logicznego i weryfikacji ich wyników
Weryfikacja: egzamin
Powiązane charakterystyki kierunkowe:
K_W03, K_W04
Powiązane charakterystyki obszarowe:
- Charakterystyka UM_W4
- ma wiedzę niezbędną do analizy przebiegu wykonania algorytmów uczenia się automatów skończonych i weryfikacji ich wyników
Weryfikacja: egzamin
Powiązane charakterystyki kierunkowe:
K_W03, K_W04
Powiązane charakterystyki obszarowe:
- Charakterystyka UM_W5
- ma wiedzę niezbędną do wykorzystania elementów teorii procesów decyzyjnych Markowa i programowania dynamicznego do wartościowania i porównywania strategii decyzyjnych
Weryfikacja: egzamin
Powiązane charakterystyki kierunkowe:
K_W01
Powiązane charakterystyki obszarowe:
- Charakterystyka UM_W6
- ma wiedzę niezbędną do analizy przebiegu wykonania algorytmów uczenia się ze wzmocnieniem i weryfikacji ich wyników
Weryfikacja: egzamin
Powiązane charakterystyki kierunkowe:
K_W03, K_W04
Powiązane charakterystyki obszarowe:
Profil ogólnoakademicki - umiejętności
- Charakterystyka UM_U1
- potrafi formułować praktyczne zadania inżynierskie jako zadania uczenia się
Weryfikacja: projekt
Powiązane charakterystyki kierunkowe:
K_U01, K_U02, K_U04, K_U11
Powiązane charakterystyki obszarowe:
- Charakterystyka UM_U2
- potrafi implementować algorytmy uczenia się oraz oceniać i stosować ich wyniki
Weryfikacja: projekt
Powiązane charakterystyki kierunkowe:
K_U02, K_U08, K_U11, K_U18
Powiązane charakterystyki obszarowe:
- Charakterystyka 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 charakterystyki kierunkowe:
K_U05, K_U06, K_U07, K_U10
Powiązane charakterystyki obszarowe:
Profil ogólnoakademicki - kompetencje społeczne
- Charakterystyka 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 charakterystyki kierunkowe:
K_K01, K_K05, K_K06
Powiązane charakterystyki obszarowe: