Logo ČVUT
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
STUDIJNÍ PLÁNY
2023/2024
UPOZORNĚNÍ: Jsou dostupné studijní plány pro následující akademický rok.

Seminář z dynamického rozhodování

Přihlášení do KOSu pro zápis předmětu Zobrazit rozvrh
Kód Zakončení Kredity Rozsah
01DROS Z 2 0+2
Garant předmětu:
Taťjana Gaj, Miroslav Kárný
Přednášející:
Cvičící:
Taťjana Gaj, Miroslav Kárný
Předmět zajišťuje:
katedra matematiky
Anotace:

Seminář je věnovan aktuálním tématům a trendům v dynamickém rozhodovaní, strojovém učení a umělé inteligenci. Rozšíří látku probíranou v základnim kurzu 01DRO1 (konkrétně: formalizace rozhodovacího problému a jeho řešení vč. volby nástrojů na řešení; scénáře a problémy více-účastnického rozhodování vč. možných způsobů interakce účastníků).

Obecně budou probírány články z konferencí zaměřených na rozhodování, učení a umělou inteligenci.

Požadavky:

Seminář je určen všem studentům absolvujícím přednášku 01DRO1 a majícím jak praktický, tak teoretický zájem o danou problematiku.

Individuální práce studentů předpokládá aktivní účast na semináři. Ta podmiňuje udělení zápočtu.

Osnova přednášek:

Část semináře bude věnována praktickým úlohám, které ukážou, jak reálně vypadá aplikace teoretických znalostí v praxi, konkrétně jde o:

- Úvod do praktického strojového učení (machine learning) a inteligentního obchodování (bussiness intelligence). Seminář udělá můstek od různých předmětů studovaných v rámci oboru MI a AMSM k praxi. Poskytne přehled konkrétních projektů, kde byly prakticky využity statistika, matematika a algoritmy (objednávání pomoci aplikace ?taxi služba?, aplikace pro pojišťovny, e-komerce, ...), vizualizace v Qlik (Tableau), programování v R/Python.

- Popis pracovního postupu nutného pro použití lineárních modelů a logistické regrese (příprava dat, jejich očistění, škálování, atd.) bude ilustrován na praktickém příkladě (navolávání nedokončenek v Call centru pojišťovny).

- Praktické využití rozhodovacích stromů (decision trees), náhodných lesů (random forests), a gradientních (gradient boosting) metod pro přípravu akce pro zákazníky pojišťovny.

- Zpracování přirozeného jazyka na praktickém příkladu vyhledávání životopisů používající metodiky TFIDF a Word2vec pro hodnocení relevance textu.

- Úvod do principů a obecné problematiky lhůtového obchodování (obchodování s futures) s popisem užívaných typů obchodních strategií včetně jejich otevřených problémů.

- Koncept líného učení (lazy learning) pro rozhodování, který bude demonstrován na netriviálním problému stabilizace vrtulníku.

Osnova cvičení:
Cíle studia:

Znalosti:

Volitelný seminář je zaměřen na použití metod a algoritmů dynamického rozhodování za neurčitosti a neúplné znalosti. Seminář prohloubí teoretické poznatky týkající se dynamického rozhodování a propojí je s praktickými úlohami. Tím posílí umění řešit úlohy z praxe a poskytne podněty pro příp. další teoretický a algoritmický výzkum.

Schopnosti:

Seminář pomůže pochopit, jak se naplňují prvky a metody nutné pro řešení optimalisovaného rozhodování.

Studijní materiály:

Povinná literatura:

[1] M. L. Puterman: Markov Decision Processes, Wiley, 1994. (vybrané kapitoly).

[2] R. S. Sutton, A. G. Barto: Reinforcement Learning: An Introduction MIT Press, Cambridge, 1998 (vybrané kapitoly).

Doporučená literatura:

[3] S. French. Decision Theory. Halsted Press, 1986.

[4] L. Savage. The Foundations of Statistics. Wiley, 1954.

[5] D. P. Bertsekas. Dynamic Programming & Optimal Control, 1,2. Athena Scientific Press, 2005

Poznámka:
Rozvrh na zimní semestr 2023/2024:
Rozvrh není připraven
Rozvrh na letní semestr 2023/2024:
Rozvrh není připraven
Předmět je součástí následujících studijních plánů:
Platnost dat k 27. 3. 2024
Aktualizace výše uvedených informací naleznete na adrese https://bilakniha.cvut.cz/cs/predmet5487206.html