Universitatea Babeş-Bolyai Cluj-Napoca
Facultatea de Matematică şi Informatică
Ciclul de studii: Licență

FISA DISCIPLINEI

Codul
Denumirea disciplinei
MID0037 Metode avansate de învăţare automată
Specializarea
Semestrul
Ore: C+S+L
Categoria
Statutul
Informatică - linia de studiu maghiară
6
2+0+2
specialitate
optionala
Titularii de disciplina
Conf. Dr. CSATO Lehel,  csatolcs.ubbcluj.ro
Obiective
Scopul este familiarizarea studenţilor cu metodele moderne de instruire a maşinilor. Studenţii vor fi capabili de a analiza rezultatele rulării diferitelor algoritmi pe date culese sau primite de la utilizatori ai metodelor respective. În urma analizei se va putea decide asupra unor metode particulare care să fie folosite într-un sistem real.
Continutul
Instruirea automată a maşinilor este aplicarea metodelor din matematica aplicată la diferite tipuri de baze de date, cu accentul pus pe definirea algoritmilor corespunzătoare tipului bazei de date analizate. Scopul algoritmilor este de a extrage informaţii relevante din date, pentru aceasta avem de obicei nevoie de cunoştinţe externe care trebuie să fie codate în algoritmi. În aceste sens avem nevoie de algoritmi diferiţi pentru clasificare respectiv pentru regresie sau estimarea suportului unei distribuţii. Algoritmul diferă şi prin precondiţiile puse despre natura procesului de observare: avem nevoie de algoritmi care să trateze diferitele nivele de zgomot. Cursul are în vedere prezentarea practică a diferitelor modele şi de algoritmi din domeniul instruirii automate ale calculatoarelor.

Lista tematicii cursurilor:
• Analiza bazată pe componente (săpt 1-4) ref. [2,4,8,9],
• Modelare Bayesiană (săpt 5-7) ref. [1,2,3,4],
• Modele Markov ascunse (HMMs) (săpt 8-11) ref. [6,7],
• Modele cu procese Gaussiene (săpt 12-14) ref. [4,5].
Bibliografie
[1]. Bishop C.M (2006) Pattern Recognition and Machine Learning, Springer Verlag.
[2]. Russell S, Norvig P (2003) Artificial Intelligence: A Modern Approach (Second Edition), Prentice Hall.
[3]. Mitchell T (1997) Machine Learning, McGraw Hill.
[4]. Bernardo J.M, Smith A.F.M (2000) Bayesian Theory, John Wiley & Sons.
[5]. MacKay D.J.C (2003) Information Theory, Inference and Learning Algorithms, Cambridge University Press, HTTP: http://wol.ra.phy.cam.ac.uk/mackay/itila/book.html.
[6]. Rasmussen C.E, Williams C.K.I (2006) Gaussian Processes for Machine Learning, The MIT Press.
[7]. Rabiner L.R, Juang, B.H (1986) An introduction to Hidden Markov models, IEEE ASSP Magazine, pp: 4-15.
[8]. Durbin R, Eddy S.R, Krogh A, Mitchison G (1999) Biological Sequence Analysis: Probabilistic Models of Proteins and Nucleic Acids. Cambridge University Press.
[9]. Hyvärinen A, Karhunen J, Oja E (2001) Independent Component Analysis, Wiley-Interscience.
[10].Barto A. (2002): Statistical Pattern Recognition, John Wiley & Sons.
Evaluare
Examenul constă dintr-o prezentare al unui subdomeniu de cercetare (40%), evaluarea soluţiilor problemelor de laborator (20%), precum şi un examen oral din materialul predat (40%).
Legaturi: Syllabus-urile tuturor disciplinelor
Versiunea in limba engleza a acestei discipline
Versiunea in format rtf a acestei discipline