Universitatea Babeş-Bolyai Cluj-Napoca
Facultatea de Matematică şi Informatică
Ciclul de studii: Masterat
FISA DISCIPLINEI
| MII1002 | Instruire automată |
| Titularii de disciplina |
Conf. Dr. CZIBULA Gabriela, gabis cs.ubbcluj.ro |
| Obiective |
|
1. Sa furnizeze o introducere in principiile, tehnicile si aplicatiile de baza ale instruirii automate.
2. Sa furnizeze principiile de proiectare si implementare ale programelor de instruire automata care isi imbunatatsc performanta din experienta. 3. Sa ofere intelegerea algoritmilor de instruire automata si a utilizarii acestora in descoperirea de cunostinte orientate spre date si in sinteza programelor. 4. Sa ofere intelegerea stadiului actual al cunoasterii in domeniul instruirii automate in scopul initierii cercetarilor originale in domeniu. |
| Continutul |
|
1. Introducere in instruirea automata
- Problematica - Proiectarea unui sistem care invata - Spatii de evenimente - Aspecte de baza din teoria informatiei 2. Invatarea in arbori de decizie - Reprezentari - Algoritmul de invatare ID3 - Masuri statistice folosite in invatarea folosind arbori de decizie: entropie, castigul informational - Aspecte diverse in invatarea DT 3. Retele neuronale - Reprezentari - Probeleme specifice - Perceptronul - Retele multistrat si algoritmul de propagare inapoi - Aspecte avansate in problematica retelelor neuronale 4. Masini cu suport vectorial - Ideea de baza - SVM liniare - SVM neliniare - Aplicatii 5. Invatarea bazata pe instante - Invatarea k-Nearest Neighbor - Invatarea bazata pe cazuri 6. Invatarea bayesiana - Teorema lui Bayes - Clasificatorul naiv Bayes - Retele Bayes - Algoritmul EM - Exemple 7. Invatarea unor multimi de reguli - Algoritmi de acoperire secventiala - Invatarea multimilor de reguli - nvatarea multimilor de reguli de ordinul intai (FOIL) - Inductia - Programarea logica inductiva 8. Invatare nesupervizata - Analiza clusterilor - Retele cu autoorganizare - Aplicatii 9. Invatare pri intarire - Probelmatica invatarii prin intarire - Procese de decizie Markov - Q-invatare - Invatarea bazata pe diferente temporale - Aplicatii |
| Bibliografie |
|
1. Mitchell, T., Machine Learning, McGraw Hill, 1997
2. Russell, J.S, Norvig, P., Artificial Intelligence- A Modern Approach, Prentice- Hall, Inc., New Jersey, 1995 3. Gabriela Czibula, Sisteme inteligente. Instruire automata, Ed. Risoprint, Cluj-Napoca, 2008 4. Manning, C., Schutze, H., Foundations of Statistical NLP, MIT Press, 2002 5. Cristiani, N., Support Vector and Kernel Machines, BIOwulf Technologies, 2001 6. Nillson, N., Introduction to Machine Learning, Stanford University, 1996 7. Sutton, R.S., Barto, A.G., Reinforcement learning, The MIT Press Cambridge, Massachusetts, London, England, 1998 8. Şerban, G., Pop, H.F., Tehnici de Inteligenţă Artificială. Abordări bazate pe Agenţi Inteligenţi, Ed. Mediamira, Cluj-Napoca, 2004 9. Şerban, G., Sisteme multiagent în Inteligenţa Artificială Distribuită. Arhitecturi şi aplicaţii. Editura RisoPrint, Cluj-Napoca, 2006 |
| Evaluare |
|
Activitatea se încheie cu examen scris (nota E). De-a lungul semestrului, studenţii vor realiza un raport teoretic (nota R) şi un proiect care să ilustreze folosirea instruirii automate într-o problemă concretă (nota P). Se va ţine cont de activitatea studenţilor din timpul semestrului (nota A). Nota finală este media ponderata a celor cinci note menţionate mai sus. Nota finala = 40%E + 15%R1 + 25%R2 + 25%P + 10%A. Studenţii care vor demonstra competenţe deosebite în cercetare prin dezvoltarea proiectului spre publicarea sa vor primi un punctaj suplimentar de 10% din Nota finala. Pentru promovare, e necesar ca nota finală care trebuie să fie cel puţin 5. Mai multe informatii despre modul de evaluare se gasesc la http://www.cs.ubbcluj.ro/~gabis/cerinte/Req_ML.htm.
|
| Legaturi: | Syllabus-urile tuturor disciplinelor Versiunea in limba engleza a acestei discipline Versiunea in format rtf a acestei discipline |