Symbolic Machine Learning
| Kód | Zakončení | Kredity | Rozsah | Jazyk výuky |
|---|---|---|---|---|
| BE4M36SMU | Z,ZK | 6 | 2P+2C | anglicky |
- Vztahy:
- 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, 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 2024/2025:
- Rozvrh není připraven
- Rozvrh na letní semestr 2024/2025:
-
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 Út St Čt Pá - Předmět je součástí následujících studijních plánů:
-
- Open Informatics - Artificial Intelligence (povinný předmět oboru)
- Open Informatics - Bioinformatics (povinný předmět oboru)
- Open Informatics - Data Science (povinný předmět oboru)
- Medical Electronics and Bioinformatics - Specialization Image Processing (povinně volitelný předmět)
- Medical Electronics and Bioinformatics - Specialization Signal Processing (povinně volitelný předmět)
- Medical Electronics and Bioinformatics - Specialization Bioinformatics (povinně volitelný předmět)
- Medical Electronics and Bioinformatics - Specialization Medical Instrumentation (povinně volitelný předmět)