Gépi tanulás Tanuló ágens, döntési fák, általános logikai leirások tanulása.

Slides:



Advertisements
Hasonló előadás
T ESZTELÉS. C ÉLJA Minél több hibát találjunk meg! Ahhoz, hogy az összes hibát fölfedezzük, kézenfekvőnek tűnik a programot az összes lehetséges bemenő.
Advertisements

Összefoglalás Hardver,szoftver,perifériák Memóriák fajtái
K-Chat Dr. Szepesvári Csaba Kutatási Alelnök mindmaker.
GÉPI TANULÁS (MACHINE LEARNING)
Képességszintek.
Értékelés a pedagógiában
A rendszerszintű diagnosztika alapjai
Determinisztikus programok. Szintaxis: X : Pvalt program változók E : Kifkifejezések B : Lkiflogikai kifejezések C : Utsutasítások.
Programozási alapismeretek 5. előadás. ELTE Szlávi - Zsakó: Programozási alapismeretek 5.2/  Programozási tételek.
Programozás alapjai A programozás azt a folyamatot jelenti, melynek során a feladatot a számítógép számára érthető formában írjuk le. C++, Delphi, Java,
Copyright, 2009 © Szlávi Péter A kupac és a prioritási sor típuskonstrukciók Szlávi Péter ELTE IK Média- és Oktatásinformatikai Tanszék
Programozási alapismeretek 5. előadás. ELTE 2/  Programozási tételek – a lényeglényeg  Sorozatszámítás Sorozatszámítás.
Programozási alapismeretek 12. előadás. ELTE  Tapasztalatok a rendezésről Tapasztalatok a rendezésről  Keresés rendezett sorozatban Keresés rendezett.
Adatbázis-kezelés.
Szintaktikai elemzés február 23..
Bevezetés a gépi tanulásba február 16.. Mesterséges Intelligencia „A számítógépes tudományok egy ága, amely az intelligens viselkedés automatizálásával.
Gépi tanulási módszerek
Szintaktikai elemzés március 1.. Gépi tanulás Osztályozási feladat: Adott egyedek egy halmaza és azok osztályba tartozási függvénye (tanító halmaz),
MI 2003/ Alakfelismerés - még egy megközelítés: még kevesebbet tudunk. Csak a mintánk adott, de címkék nélkül. Csoportosítás (klaszterezés, clustering).
Halmazok, relációk, függvények
Ág és korlát algoritmus
Bevezetés a digitális technikába
Mesterséges neuronhálózatok
A projekttervezés első lépései
Bináris ki- és bemenetű CNN template-ek tervezése
ELTE Szlávi - Zsakó: Programozási alapismeretek 5.1/ Keresés Specifikáció:  Bemenet: N:Egész, X:Tömb[1..N:Valami]
1. előadás. 1.) Szoftverfejlesztés, mint mérnöki tevékenység. Számítási eszközfejlődés. Számítási eszközfejlődés: hazai viszonyok. Mérföldkő: Simula 67.Klasszikus.
1. előadás. 1.) Szoftverfejlesztés, mint mérnöki tevékenység. Számítási eszközfejlődés. Számítási eszközfejlődés: hazai viszonyok. Mérföldkő: Simula 67.Klasszikus.
ELTE Szlávi - Zsakó: Programozási alapismeretek 5.1/ Sorozatszámítás Specifikáció (a végleges) :  Bemenet:
Miskolci Egyetem Informatikai Intézet Általános Informatikai Tanszé k Pance Miklós Adatstruktúrák, algoritmusok előadásvázlat Miskolc, 2004 Technikai közreműködő:
Ismeretalapú rendszerek alaptechnikái I. Szabályalapú rendszerek.
Ismeretalapú rendszerek alaptechnikái
Ismeretalapú rendszerek alaptechnikái I. Szabályalapú rendszerek.
Objektumok. Az objektum információt tárol, és kérésre feladatokat hajt végre. Az objektum adatok (attribútumok) és metódusok (operációk,műveletek) összessége,
A valós világ modellezése. Az embert a valós világ modellezésekor a következő gondolatok vezérlik: Absztrakció Megkülönböztetés Osztályozás Általánosítás,
Objektumorientált tervezés és programozás II. 3. előadás
1 Természetes nyelvű interfész adatbázisok lekérdezéséhez Vajda Péter NYTI, Korpusznyelvészeti osztály – BME, TTT.
Előrendezéses edényrendezés – RADIX „vissza”
Projektek monitorozása. Elvek és módszerek
Modelltranszformációs szabályok automatikus generálása példák alapján Balogh Zoltán IV. évf. informatikus Konzulens: Dr. Varró Dániel Méréstechnika és.
Kifejezések a Pascalban Páll Boglárka. Ismétlés: Ahogy algoritmikából láttuk, a kifejezések a Pascal nyelvben is operátorokból és operandusokból állnak.
Lénárt Szabolcs Páll Boglárka
Természetes és formális nyelvek Jellemzők, szintaxis definiálása, Montague, extenzió - intenzió, kategóriákon alapuló gramatika, alkalmazások.
Problémás függvények : lokális optimalizáció nem használható Globális optimalizáció.
Logika 2. Klasszikus logika Miskolci Egyetem Állam- és Jogtudományi Kar Jogelméleti és Jogszociológiai Tanszék február 17.
Kötvényárazási hibák intelligens javítóalgoritmusának tervezése és fejlesztése GELLÉN ÁGNES IUFQ58.
Belami beszámoló – Doménadaptációs alkalmazások. Problémafelvetés Felügyelt tanulás elvégzéséhez gyakran kevés jelölt adat áll rendelkezésre  doménadaptáció.
A Dijkstra algoritmus.
Feladat: Adott egy város, benne metrók és állomások. Írjunk algoritmust amely megszámolja hogy mennyi az a legkevesebb átszállás amellyel egy tetszőleges.
Készítette: Hanics Anikó. Az algoritmus elve: Kezdetben legyen n db kék fa, azaz a gráf minden csúcsa egy-egy (egy pontból álló) kék fa, és legyen minden.
Határozatlan integrál
Az informatika logikai alapjai
Az informatika logikai alapjai
MI 2003/8 - 1 Alakfelismerés alapproblémája: adott objektumok egy halmaza, továbbá osztályok (kategóriák) egy halmaza. Feladatunk: az objektumokat - valamilyen.
Kutatási beszámoló 2002/2003 I. félév Iváncsy Renáta.
Automatikus fizikai tervezési javaslatok XML adatbázisokhoz Balogh Bernadett Kresz Marcell Cseh Tamás.
Gépi tanulási módszerek
A Dijkstra algoritmus.
Programozási alapok.
Genetikus algoritmusok
Móricz Pál – ügyvezető igazgató Szenzor Gazdaságmérnöki Kft.
Radványi Mihály - Doktorizom! -.
Mesterséges intelligencia
Mesterséges intelligencia
Lineáris keresés Keresés (N,A,sorszam) i := 1
A gépi tanulás célja Cél: Olyan programok létrehozása, amelyek a működésük során szerzett tapasztalatok segítségével képesek javítani a saját hatékonyságukon.
A mesterséges neuronhálók alapjai
Algoritmusok és Adatszerkezetek I.
Absztrakt problémák Q  I  S, az absztrakt probléma kétváltozós reláció az esetek (I) és a megoldások (S) halmazán Példa: legrövidebb út Eset: gráf és.
Minimum és maximum függvények
Előadás másolata:

Gépi tanulás Tanuló ágens, döntési fák, általános logikai leirások tanulása

Tanuló ágens

Tanuló elem tervezése n a végrehajtó elem javitandó komponensei n a komponensek reprezentációja n a visszacsatolás tanulás tanitóval megerősités (reinforcement) tanulás tanitó nélkül n előzetes információ

Végrehajtó elem komponensei n feltételek az aktuális helyzetben - akciók n információ a világ előrehaladásáról n információ az ágens lehetséges akcióinak eredményéről n információ “hasznos helyzetek”ről

A tanulás tekinthető függvény-reprezentáció tanulásaként.

Induktiv tanulás n Példa (x, f(x) ) n Feladat: adott f példáinak egy halmaza n Cél: hipotézis függvény (h), amely f-t közeliti

(Bináris) Döntési fák n egy cél-predikátum megtanulása n bemenet: egy objektum vagy helyzet leirása (tulajdonságok) n kimenet: igen/nem döntés

Bináris döntési fák jellemzői n Nem lehet 2 vagy több különböző objektumra vonatkozó teszteket alkalmazni. n Cél-predikátum értéke = példa osztályozása n Cél-predikátum igaz - pozitiv példa n Cél-predikátum hamis - negativ példa

Döntési fa - példa

Döntési fát tanuló algoritmus

Döntési fák alkalmazása n Sok példa begyűjtése. n A példákat két csoportba soroljuk: tanitó példák teszt példák. n Alkalmazzuk a tanitó algoritmust a tanitó példákra - generáljuk a H hipotézist. n Teszt példák osztályozása H-val. n Az előző lépések ismétlése különböző (véletlenszerű) példa csoportositásokra.

Általános logikai leirások tanulása

Pillanatnyi legjobb hipotézis keresése konzisztens hamis hipotézis hamis hipotézis negativ kiterjesztése pozitiv specializáció

Műveletek n kiterjesztés, általánositás (generalization) n specializáció Jellemzők n egyetlen hipotézis fenntartása n a hipotézis javitása új példák érkezésekor a konzisztencia megmaradása céljából

Leirás változatok tere n A hipotézis tér parciálisan rendezett. n Határhalmazok: legáltalánosabb határ legspecifikusabb határ n Minden ami a két határ között van, konzisztens a példákkal.

Algoritmus