Gépi tanulási módszerek
(Machine Learning Algorithms)
- 3 óra előadás (kollokvium), 1 óra gyakolat (aláírás)
- 6 kredit, tavaszi félév
Tantárgyleírás
A tárgy oktatásának célja (kialakítandó kompetenciák):
Informatikai rendszerek fejlesztése és integrálása, az informatikai célú kutatási-fejlesztési feladatok ellátása.
Tematika
A gépi tanulás célja. A függvénytanulási feladat tényezői. A gépi tanuláshoz kapcsolódó fogalmak. A PAC tanulási modell. Hatékony PAC tanulás. Occam tanulás. Döntési fák. Minta-komplexitás és kapcsolata a Vapnik-Chervonenkis dimenzióval. A Bayes-döntéselmélet alapjai. Mesterséges neuronhálók és kapcsolatuk a Bayes-döntéselmélettel. Reprezentációs függvények folytonos jellemzőterekben. Parametrikus és nemparametrikus reprezentáció. Generatív es diszkriminatív szemlélet. A felismerőkben használt alapvető parametrikus függvények és a belőlük felépített modellek. Valószínűségi eloszlások modellezése GMM-mel. A Maximum Likelihood tanítási kritérium. Az Expectation Maximization algoritmus. A Mean Square Error hibafüggvény kapcsolata a valószínűségi modellezéssel. Egyéb diszkriminatív tanítási kritériumok.
Ajánlott irodalom
1. M.J. Kearns, U.V. Vazirani: An Introduction to Computational Learning Theory, MIT Press, Cambridge, Massachusetts, 1994 (221p)
2. T. Mitchell: Machine Learning, McGraw Hill, 1997. (414p)
3. R.O. Duda, P..E. Hart, D.G. Stork: Pattern Classification, Wiley and Sons, 2001.(p 654)
4. C. M. Bishop: Pattern recognition and machine learning, 2nd edition, Springer, 2007 (738p)
