Symbolické strojové učení

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

Předmět B4M36SMU může být splněn v zastoupení předmětem BE4M36SMU

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

Garant předmětu:

Přednášející:

Cvičící:

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

Pro tento předmět se rozvrh nepřipravuje

Předmět je součástí následujících studijních plánů:

• Lékařská elektronika a bioinformatika - Specializace Bioinformatika (povinně volitelný předmět)
• Otevřená informatika - Umělá inteligence 2018 (povinný předmět oboru)
• Otevřená informatika - Bioinformatika 2018 (povinný předmět oboru)
• Otevřená informatika - Datové vědy 2018 (povinný předmět oboru)
• Lékařská elektronika a bioinformatika - Specializace Lékařská technika (povinně volitelný předmět)
• Lékařská elektronika a bioinformatika - Specializace Zpracování obrazu (povinně volitelný předmět)
• Lékařská elektronika a bioinformatika - Specializace Zpracování signálů (povinně volitelný předmět)