Gépi tanulás

· Bevezetés (2 óra elmélet/előadás):

A tanulás fogalma, tanuló gépek, tanulás intelligens rendszerekben. A legfontosabb tudásalapú architektúrák: döntési fák, neuronhálók, tudásalapú hibrid intelligens rendszerek. (Áttekintés)

· Tudás szerepe a tanulásban (2 óra elmélet/előadás):

A tudás szerepe a tanulásban, tudásreprezentációk, tanulás különböző tudás­repre­zentációk mellett. Magyarázat alapú tanulás. Tanulás releváns információ alapján. Induktív logikai programozás

· Tanulás minták alapján (2 óra elmélet/előadás):

A minták alapján történő gépi tanulás fajtái. Felügyelt és felügyelet nélküli tanulás, félig felügyelt tanulás, meg­erő­sí­té­ses tanulás.

· A gépi tanulás elméleti megalapozása (4 óra elmélet/előadás):

A tanulás számítási elmélete, valószínűleg közelítőleg helyes (VKH, PAC) tanuló algoritmusok. Statisztikai tanuláselmélet (SLT). A tanuló eljárások minősítése. A VC-dimenzió fogalma. A tapasztalati hiba minimalizálás szerepe, ERM elv. A tanuló eljárások hibájának (általánosító képesség) felső korlátjai. Strukturális kockázat­minimalizálás (SRM) elve.

· Ellenőrzött tanulású architektúrák (4 óra elmélet/előadás):

Döntési fák. Klasszikus neuronhálók (MLP, bázisfüggvényes hálók). A tanuló eljárások, mint optimalizáló algoritmusok. Tanulás és paraméterbecslés.

· Kernel gépek és változataik (4 óra elmélet/előadás):

A kernel gépek származtatása, a kernel trükk és jelentősége. Szupport vektor gépek (SVM) és változataik. A klasszikus hálók és a kernel gépek kapcsolata. A teljesítőképesség korlátai nagy­margójú osztályozási feladatoknál. A VC-dimenzió felső korlátja. Az SVM és az SRM elv kapcsolata. Gauss folyamatok.

· Megerősítéses tanulás (4 óra elmélet/előadás):

A jutalom szerepe a tanulásban. Passzív megerősítéses tanulás, adaptív dinamikus prog­ra­mo­zás, időbeli különbség (TD) tanulás. Aktív megerősítéses tanulás. Q tanulás.

· Nemellenőrzött tanulás (4 óra elmélet/előadás):

Alapfeladatok: főkomponens analízis (PCA), független komponens analízis (ICA). Elméleti alapok. A PCA feladat, mint mintákból történő tanuló eljárás, PCA hálók. Kernel PCA. A független komponens analízis matematikai alapjai. Az ICA megvalósí­tása tanuló rendszerekkel.

· A gyakorlati feladatmegoldás problémái, alkalmazások (4 óra elmélet/előadás):

Adatelőkészítés, normalizálás, dimenzió redukció. Zajos adatok kezelése. Hiányzó adatok prob­lé­mája. Az EM algoritmus és szerepe az adatelőkészítésben. Kilógó adatok.

Tanulás kooperatív rendszerekben. (4 óra elmélet/előadás):

Együttműködés és versengés. Moduláris tanuló rendszerek. Pontos és különböző szakértők kooperációja. Erős és gyenge tanulás. Boosting.

· Alkalmazási példák (2 óra elmélet/előadás):

Szövegfeldolgozás, képfeldolgozás. Rendszermodellezés és szabályozás nem­lineáris, dina­mi­kus rendszerekben. Előrejelzési feladatok. Megerősítéses tanulás alkalmazása: játékok, robotirányítás, stratégiakészítés.

A tárgyhoz tartozó gyakorlati ismereteket hallgatók a Kooperáció és gépi tanulás labor keretein belül sajátitják el.