Ez a kurzus a 2018 óta futó Mesterséges Intelligencia folytatása. A Mesterséegs Intelligencia 2 úgy van eltervezve, hogy a teljesítéséhez nem szükséges a Mesterséges Intelligencia korábbi teljesítése. A kurzus 10 tanegységből áll, ami 3 egységre bontható tovább. Az első 4 tanegység a neurális hálózatokkal foglalkozik.
- Tanár: Póth Miklós
A felügyelt módszerek közül bemutatásra kerülnek az egy-és több bemenetű perceptronok, és a hibavisszaterjesztés módszer. A nem felügyelt módszerek közül a Kohonen hálózatot mutatjuk be. Legvégül a 4. előadás során megismerkedünk a konvolúciós neurális hálózatokkal. Minden tanegység több megoldott példát tartalmaz.
A második 4 tanegység a kétszemélyes játékokkal foglalkozik, és a játékosok optimális stratégiájával. Bemutatunk néhány konkrét kétszemélyes játékot, és meghatározzuk a játékosok nyerő stratégiáját. Az optimális döntések meghozatalára a minimax algoritmust használjuk. Ugyanennek az algoritmusnak a hatékonyságát az alfa-béta nyeséssel növeljük. A nem tökéletes és véletlen lépéseket játszó ellenfelet az expectimax algoritmussal jelemezzük.
Ezután megismerkedünk a Markov láncokkal és a Markov döntési folyamatokkal. Az egyes feladatokat állapotátmenet diagrammal fogjuk jellemzni és a Markov döntési folyamatként fogjuk kezelni. A megoldási stratégiák közül az értékiteráció és az eljárásmód iteráció algoritmusokat fogjuk használni.
A kurzus harmadik része a gépi tanulási algoritmusokba ad betekintést. Megismerkedünk a döntési fákkal, és azzal, hogy milyen módszerek használatával lehet a mintákat szétválasztani. Itt a Gini index-re, az információ entrópiájára és az infomáció nyereségre összpontosítunk. Végezetül megismerkedünk a Bayes tétellel és hogyan lehet a Bayes tételt kihasználni minták osztályozására. Konkrétan a Naív Bayes osztályozót mutatjuk be példákon keresztül.
- Bevezető, neurális hálózatok, perceptron
- Több bemenetű perceptron, Kohonen hálózat
- Hibavisszaterjesztés algoritmus
- Konvolúciós neurális hálózatok
- Játékelmélet, játékok, minimaksz algoritmus
- Alfa-béta nyesés, expectimax algoritmus
- Markov döntési folyamatok
- Markov döntési folyamatok: értékiteráció és eljárásmód iteráció
- Döntési fák, entrópia, Gini indeksz
- Naív Bayes osztályozó
Minden tanegység után egy teszt következik ahol 3-4 kérdés van. Minden teszt összesen 4 pontot visz, tehát a 10 tanegység utáni kérdésekkel összesen 40 pontot lehet összegyűjteni. Minden második tanegység után egy beadandó következik (összesen 5 beadandó van) 2 példával. Minden példa 6 pontot ér, illetve minden beadandó 12 pontot ér, tehát az 5 beadandó összesen 60 pont. A beadandó feladataira részpontok is járnak. A beadandókat kézzel kell kidolgozni, be kell szkennelni.