Logo ČVUT
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
STUDIJNÍ PLÁNY
2019/2020

Pravděpodobnostní modely učení

Předmět není vypsán Nerozvrhuje se
Kód Zakončení Kredity Rozsah
D01PMU ZK
Přednášející:
Cvičící:
Předmět zajišťuje:
katedra matematiky
Anotace:

Přednáška je zaměřena na metody stanovení vzorové složitosti pravděpodobnostních modelů učení odvozených od PAC (probably approximatively correct) algoritmu. V přednášce jsou definovány pojmy nutné k této analýze, obšírně se zabývá vlastnostmi a vyčíslením Vapnik-Chervonenkovy dimenze systémů množin, odvozuje se její kombinatorická podstata, a je ukázán vztah této dimenze a vzorové složitosti PAC algoritmů. Dále jsou v přednášce analyzovány různá rozšíření PAC modelu učení, rozšíření s uvažováním popisné složitosti množin, rozšíření se zahrnutím dimenze. V závěru přednášky je analyzován mode PAO, který zahrnuje neurčitosti reálně měřených veličin, které vstupují do procesu pravděpodobnostního učení.

Požadavky:
Osnova přednášek:
Osnova cvičení:
Cíle studia:
Studijní materiály:

Martin Anthony and Norman Biggs. Computational Learning Theory. Press Syndicate of the

University of Cambridge, 1992.

A. Blumer, A. Ehrenfeucht, D. Haussler, and M. K. Warmuth. Learnability and the Vapnik-

Chervonenkis Dimension. Journal of the Association for Computing Machinery, 36:929?965,

oct 1989.

N. Sauer. On the Density of Families of Sets. Journal of the Association for Computing

Machinery, 13:145?147, feb 1972.

V. Vapnik. The Nature of Statistical learning Theory. Springer Verlag, New York, 1995.

Poznámka:
Další informace:
Pro tento předmět se rozvrh nepřipravuje
Předmět je součástí následujících studijních plánů:
Platnost dat k 19. 9. 2019
Aktualizace výše uvedených informací naleznete na adrese http://bilakniha.cvut.cz/cs/predmet4562506.html