1 |
Informacje o przedmiocie, literatura, relacje między uczeniem się a optymalizacją |
2 |
Zadanie minimalizacji funkcji celu. Pojęcie zbioru dopuszczalnego. Dwufazowe metody optymalizacji: największego wzrostu oraz metody pseudonewtonowskie. Metody minimalizacji kierunkowej. Sympleks Neldera-Meada. |
3 |
Metody losowe poszukiwania minimum fukcji: a) metoda Monte Carlo - próbkowanie zbioru dopuszczalnego z rozkładem jednostajnym, b) proces błądzenia przypadkowego, c) stochastyczny największy wzrost, d) symulowane wyżarzanie. Zasada "tolerancji" jako podstawa właściwości globalnych metod iteracyjnych optymalizacji. Metoda próbkowania z niejednostajnym rozkładem generowanych punktów. Przetwarzanie populacji punktów. Sposób konstruowania mieszaniny rozkładów normalnych. |
4 |
Sposób realizacji zmiennych losowych o znanej dystrybuancie metodą odwróconej dystrybuanty. Schemat algorytmu ewolucyjnego i używane słownictwo. Przykład działania algorytmu ewolucyjnego. Metody reprodukcji: proporcjonalna (ruletkowa), progowa, rangowa liniowa, turniejowa. Metody mutacji: bitowa, rozkładem normalnym, itp. Wzajemne powiązanie reprodukcji, krzyżowania i mutacji. |
5 |
Metody krzyzowania: arytmetyczne, wymieniajace, rownomierne. Miara probkowania realizowanego przez algorytm ewolucyjny. Paradoksy miary probkowania: przemieszczenie maksimow wzgledem maksimow przystosowania, zamiana maksimow lokalnych i globalnych, "polykanie" maksimow o malej mierze zbioru przyciagania przez sasiadujace o wiekszej mierze. |
6 |
Metody uwzgledniania ograniczen. Zewnetrzna i wewnetrzna funkcja kary. Uwzglednianie ograniczen przez algorytm naprawy. Ewolucja lamarkowska i darwinowska na przykladzie algorytmow naprawy. |
7 |
Uwzglednianie wiedzy specyficznej dla problemu. Specjalizowane operatory genetyczne. Polaczenie algorytmu ewolucyjnego z metoda optymalizacji lokalnej. Ewolucja lamarkowska i darwinowska - cd. |
8 |
Eksploracja i eksploatacja. Zasieg operatorow genetycznych. Adaptacja i samoczynna adaptacja zasiegu mutacji (regula 1/5 sukcesow, wlaczanie zasiegu mutacji do informacji genotypowej). |
9 |
Pojecie uczenia sie maszynowego. Uczenie sie z punktu widzenia metod przeszukiwania i optymalizacji. Paradygmaty uczenia sie: z nauczycielem, ze wzmocnieniem, bez nadzoru. Uczenie z nauczycielem jako zadanie minimalizacji bledu nauczenia. Praktyczna realizacja uczenia z nauczycielem: minimalizacja bledu na zbiorze trenujacym. Rola zbioru testowego (walidacyjnego). |
10 |
Algorytm ewolucyjny w maszynowym uczeniu: aproksymacja funkcji w Rn. Aproksymatory parametryczne: wielomianowy, typu perceptron wielowarstwowy. Algorytm ewolucyjny strojacy parametry. Kodowanie i operatory genetyczne pozwalajace na poszukiwanie zarowno parametrow, jak i struktury perceptronu wielowarstwowego. Programowanie genetyczne: kodowanie drzewiaste i operatory. |
11 |
Uczenie nienadzorowane (bez nauczyciela). Sformułowanie zadania grupowania. Grupowanie z centroidami jako zadanie optymalizacji parametrycznej (ustalona liczba centroidów), sposób rozwiązania algorytmem ewolucyjnym. Grupowanie ze zmienną liczbą centroidów - dobór opperatorów genetycznych specjalizowanych do zadania. Poszukiwanie zestawu reguł decyzyjnych w przestrzeniach atrybutów o wartościach dyskretnych - postawienie problemu. |
12 |
Zadanie aproksymacji. Regresja liniowa. Perceptron wielowarstwowy |
13 |
Specjalizowane operatory genetyczne - problem definicji przestrzeni przeszukiwań, metryka przestrzeni. Nieobciążona mutacja. Wykorzystanie algorytmu ewolucyjnego do poszukiwania bazy reguł - podejścia Pitt i Michigan. |
14 |
Reprezentacja drzewiasta chromosomu. Drzewa decyzyjne. Podsumowanie wykładu i powtórka przed egzaminem |
W ramach przedmiotu można zdobyć do 50 punktów z projektu i do 50 punktów z egzaminu. Ocena z przedmiotu będzie wystawiana na podstawie sumy zdobytych punktów wg schematu:
liczba punktów |
ocena |
0-50 |
2 |
51-60 |
3 |
61-70 |
3.5 |
71-80 |
4 |
81-90 |
4.5 |
91-100 |
5 |
8. tydzień |
Oddanie specyfikacji projektu i ustalenie zakresu prac i sposobu rozwiązania |
11. tydzień |
Kontakt z Prowadzącym i przedstawienie wyników
dotychczasowej pracy |
15. tydzień |
Oddanie całości projektu (oprogramowanie i dokumentacja) |