Logo ČVUT
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
STUDIJNÍ PLÁNY
2023/2024

Symbolic Machine Learning

Přihlášení do KOSu pro zápis předmětu Zobrazit rozvrh
Kód Zakončení Kredity Rozsah Jazyk výuky
BE4M36SMU Z,ZK 6 2P+2C anglicky

Předmět BE4M36SMU může při kontrole studijních plánů nahradit předmět B4M36SMU

Předmět BE4M36SMU nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět B4M36SMU (vztah je symetrický)

Předmět BE4M36SMU nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět B4M36SMU (vztah je symetrický)

Garant předmětu:
Ondřej Kuželka
Přednášející:
Ondřej Kuželka, Gustav Šír, Filip Železný
Cvičící:
Ondřej Kuželka, Petr Ryšavý, Martin Svatoš, Gustav Šír, Jan Tóth, Filip Železný
Předmět zajišťuje:
katedra počítačů
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.

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.

Osnova 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

Osnova 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

Cíle studia:
Studijní materiály:

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

Poznámka:
Další informace:
https://cw.fel.cvut.cz/wiki/courses/smu/start
Rozvrh na zimní semestr 2023/2024:
Rozvrh není připraven
Rozvrh na letní semestr 2023/2024:
06:00–08:0008:00–10:0010:00–12:0012:00–14:0014:00–16:0016:00–18:0018:00–20:0020:00–22:0022:00–24:00
Po
místnost KN:E-301

16:15–17:45
(přednášková par. 1)
Karlovo nám.
Šrámkova posluchárna K9
místnost KN:E-311

18:00–19:30
(přednášková par. 1
paralelka 101)

Karlovo nám.
Lab K311
Út
St
Čt

Předmět je součástí následujících studijních plánů:
Platnost dat k 25. 2. 2024
Aktualizace výše uvedených informací naleznete na adrese https://bilakniha.cvut.cz/cs/predmet4870206.html