|
Informatii curs Profesor: Adina Magda Florea Email: adina@cs.pub.ro Asistenti: Irina Mocanu,
Andrei Tartareanu, Mihai Trascau Email: irina.mocanu@cs.pub.ro, andrei.tartareanu@gmail.com, mihai.trascau@gmail.com Curs: EC04, luni 14-16 Master in Inteligenta Artificiala Descriere curs Programa Notare
Tema de casa T4 - 20% Lucrari de verificare - 50% Cerinte pentru promovare Minimum 6 prezente la laborator pentru promovare (in lipsa a 6 prezente cursul si laboratorul se refac in anul universitar urmator) Studentul trebuie sa obtina minim jumatate din punctajul examenului final pentru promovare Materiale curs A. Florea. Slide-uri curs Bibliografie S. Russell, P. Norvig. Artificial Intelligence: A Modern Approach, Prentice Hall, 2002, http://aima.cs.berkeley.edu/
Resurse Web AAAI Dynamic Library of Introductory Information about Machine Learning UC Irvine Machine Learning Repository Another Machine Learning Repository Tutorial ANN, o prima introducere "The Cascade Correlation Learning Algorithm" by Scott Fahlman and Christian Lebiere Simulator foarte bun, open source, include documentatie si algoritmi - Stuttgart Neural Network Simulator |
|
Invatarea automata are ca scop crearea programelor care imbunatatesc perfomantele de rezolvare a problemelor pe baza datelor si a rezolvarilor anterior realizate. Cursul prezinta teoria si practica invatarii automate din perspective diferite. La sfarsitul cursului studentii vor cunoaste metode si algoritmi de invatare supervizata si invatare nesupervizata, invatare inductiva, invatare statistica, invatare prin recompensa, invatare cu retele neurale artificiale si algoritmi genetici. Aplicatiile prezentate acopera diverse domenii, de exemplu recunoasterea sabloanelor, statistica, optimizare si control, teoria deciziei, planificare si predictie. |
|
Curs |
Teme de casa |
|
Introducere: modelul unui sistem de invatare automata, criterii de clasificare, forme de invatare Invatare inductiva: arbori de decizie, ID3, C4.5, aplicatii Cunostinte in invatare: invatare in spatiul versiunilor, teoria invatarii computationale Invatare prin recopensa I: concepte de baza, taskuri episodice/non-episodice, procese markov, politica, ecuatiile Bellman Invatare prin recopensa II: gasirea politicii optime, programare dinamica, invatare TD, invatare Q, aplicatii Invatare bazata pe FOPL: invatarea bazata pe explicatii Programare logica inductiva: rezolutie inversa, descoperirea predicatelor, algoritmul FOIL Retele neurale I: clasificare, retea Hopfield, perceptron, retele backpropagation, retele quickpropagation, retele CasCor Retele neurale II: harti cu auto-organizare Kohonen, invatare SVM (Support Vector Machines) Algoritmi genetici I: Algoritmi genetici paraleli si co-evolutivi Algoritmi genetici II: Programare genetica, algoritmi genetici hibrizi Invatare statistica: invatarea in retele Bayesiene |
T1 - Arbori de decizie T2 - Invatare prin recompensa T3 - TBD T4 - Tema la alegere (text teme) |