Pravděpodobnostní modely učení

Garant předmětu:

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: