Popis předmětu - BE4M36SMU

Přehled studia | Přehled oborů | Všechny skupiny předmětů | Všechny předměty | Seznam rolí | Vysvětlivky               Návod
BE4M36SMU Symbolic Machine Learning
Role:PV, PO Rozsah výuky:2P+2C
Katedra:13136 Jazyk výuky:EN
Garanti:Kuželka O. Zakončení:Z,ZK
Přednášející:Kuželka O., Šír G., Železný F. Kreditů:6
Cvičící:Osob je mnoho Semestr:L

Webová stránka:

https://cw.fel.cvut.cz/wiki/courses/smu/start

Anotace:

This course consists of four parts. The first part of the course will explain methods through which an intelligent agent can learn by interacting with its environment, also known as reinforcement learning. This will include deep reinforcement learning. The second part focuses on Bayesian networks, specifically methods for inference. The third part will cover fundamental topics from natural language learning, starting from the basics and ending with state-of-the-art architectures such as transformer. Finally, the last part will provide an introduction to several topics from the computational learning theory, including the online and batch learning settings.

Osnovy přednášek:

1. Posilované učení - Markov decision processes
2. Posilované učení - Model-free policy evaluation
3. Posilované učení - Model-free control
4. Posilované učení - Deep reinforcement learning
5. Bayesovské sítě - Intro
6. Bayesovské sítě - Variable elimination, importance sampling
7. Zpracování přirozeného jazyka 1
8. Zpracování přirozeného jazyka 2
9. Zpracování přirozeného jazyka 3
10. Zpracování přirozeného jazyka 4
11. Výpočetní teorie strojového učení 1
12. Výpočetní teorie strojového učení 2
13. Výpočetní teorie strojového učení 3.
14. Závěr, rezerva

Osnovy cvičení:

1. Posilované učení - Markov decision processes
2. Posilované učení - Model-free policy evaluation
3. Posilované učení - Model-free control
4. Posilované učení - Deep reinforcement learning
5. Bayesovské sítě - Intro
6. Bayesovské sítě - Variable elimination, importance sampling
7. Zpracování přirozeného jazyka 1
8. Zpracování přirozeného jazyka 2
9. Zpracování přirozeného jazyka 3
10. Zpracování přirozeného jazyka 4
11. Výpočetní teorie strojového učení 1
12. Výpočetní teorie strojového učení 2
13. Výpočetní teorie strojového učení 3.
14. Závěr, rezerva

Literatura:

R. S. Sutton, A. G. Barto: Reinforcement learning: An introduction. MIT press, 2018.
D. Jurafsky & J. H. Martin: Speech and Language Processing - 3rd edition draft
M. J. Kearns, U. Vazirani: An Introduction to Computational Learning Theory, MIT Press 1994

Požadavky:

Studenti mohou získat až 100 bodů, což je součet bodů za domácí úkoly a ze zkoušky. Pro získání zápočtu je nutné získat alespoň 25 bodů za domácí úkoly. Pro úspěšné ukončení předmětu je dále nutné získat alespoň 25 bodů ze zkoušky.

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr
MEBIO3_2018 Image Processing PV 2
MEBIO4_2018 Signal Processing PV 2
MEBIO2_2018 Medical Instrumentation PV 2
MEBIO1_2018 Bioinformatics PV 2
MEOI9_2018 Data Science PO 2
MEOI8_2018 Bioinformatics PO 2
MEOI7_2018 Artificial Intelligence PO 2


Stránka vytvořena 28.3.2024 17:52:19, semestry: Z,L/2023-4, Z/2024-5, připomínky k informační náplni zasílejte správci studijních plánů Návrh a realizace: I. Halaška (K336), J. Novák (K336)