Facultatea de Automatica si Calculatoare

Universitatea Politehnica Bucuresti

Catedra de Calculatoare
Curs anul VI C4

INVATARE AUTOMATA
Anul universitar 2010-2011

 

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


Laborator si teme de casa T1-T3 - 30%

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

Materiale suport

 

Bibliografie

 

S. Russell, P. Norvig. Artificial Intelligence: A Modern Approach, Prentice Hall, 2002, http://aima.cs.berkeley.edu/


E. Alpaydın. Introduction to Machine Learning (Adaptive Computation and Machine Learning), MIT Press, 2004

 

 

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

Curs retelene neurale

"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)