Facultatea de Informatică Seminar An III
Partea I ◦
◦
Se pot obtine maxim 6 puncte la seminar, 2 puncte sunt obligatorii 12 la partial minim 4 puncte
Partea a IIa 6 saptamani, ◦
◦
6 saptamani
Se pot obtine maxim 6 puncte la seminar, 2 puncte sunt obligatorii 12 la partial minim 4 puncte
Nota = (4+S1+P1+S2+P2)/4 ◦
S1 si S2 se obtin ca medie intre activitatea de la seminar si testul anuntat in prealabil Conditii de promovare: S1 >= 2; S2 >= 2; P1 >= 4, P2 >= 4, nota >= 4.5 In consecinta, punctajul minmal de indeplinit din suma S1+P1+S2+P2 este 14. Atentie: S1 < 2 (sau S2 < 2) implica imediat nepromovarea acestui curs in anul universitar 2016-2017!
Absente
:
Prezenta
la curs: recomandata. Seminarul este obligatoriu 1 absent este tolerat fiecare alta absenta este penalizata(-0.1 puncte din S1, respectiv din S2.) Regulile se aplica inclusiv studentilor reinmatriculati si cursantilor. Se vine la grupele ce fac cu acelasi cadru didactic.
Saptaminal se va tine un "seminar suplimentar", destinat pentru cei mai buni studenti sau pentru acei studenti care sunt foarte interesati de acest domeniu. Ziua si ora la care se va tine acest "seminar suplimentar" vor fi anuntate in curind. La fiecare curs si seminar, studentii vor veni cu cartea de exercitii si probleme (de L. Ciortuz et al) si cu o fascicula continind slide-urile imprimate.
Dragi studenti, Pentru seminariile de Invatare Automata din prima saptamina, - veti recapitula notiunile din slide-urile 2-5 din
(vedeti bibliografia indicata in slide-ul 0) - veti citi/studia (in prealabil) problemele rezolvate din documentul
si veti rezolva problemele propuse acolo. Regulile de organizare a cursului de Invatare Automata (Machine Learning ML), 2016-2017, sem. I, sunt specificate in documentul
ATENTIE: Trebuie sa imprimati fisierele cu slide-uri specificate in documentul precedent si documentul http://profs.info.uaic.ro/~ciortuz/ML.exbook/sem1.pdf, chiar inainte de a veni la primul seminar! Mult succes!
Ce intelegem prin ML?
Exemple de aplicatii?
-
Ce intelegem prin ML? ◦ ◦ ◦
Algoritmii invață din datele ce le au la dispoziție. Experiența se acumulează cu fiecare pas al rularii. Algoritmii se adaptează din mers.
Exemple de aplicatii: ◦ ◦ ◦
motoare de căutare web, sisteme de recunoaștere a imaginilor și sunetelor detectarea spam-ului
natural language (text & speech) processing genetic sequence analysis robotics customer (financial risc) evaluation terrorist threat detection compiler optimisation semantic web computer security software engineering computer vision (image processing) etc.
Introduction to Machine Learning (T.Mitchell, ch.1) Probabilities Revision (Ch.Manning & H.Sch ̈utze, ch.2) 1. Decision Trees (T.Mitchell, ch.3) 2. Bayesian Learning (T.Mitchell, ch.6) 3. Instance-based Learning (T.Mitchell, ch.8) 4. Clustering Algorithms (Ch.Manning & H.Sch ̈utze, ch.14) 5. The EM algorithmic schemata (T.Mitchell, ch.6.12)
Definitii
Experienta aleatoare = un act care poate repetat nelimitat. Ex. Aruncarea banului ◦
Orice rezultat legat de o experienta, despre care, dupa efectuarea experientei, putem spune ca s-a produs sau nu, poarta numele de eveniment. Aruncarea monedei (stema), poate sa se realizeze sau sa nu se realizeze, motiv pentru care acest eveniment este numit eveniment aleator (intamplator). Eveniment sigur: moneda cade pe pamant datorita gravitatiei.
Care este probabilitatea probabilitatea ca un punct sa apartina suprafetei A?
A
Două evenimente sunt complementare dac ă se realizează sau unul sau cel ălalt ( A sau Ā ) A = Ā = Ω –A P(A)=1-P(Ā)
“Disjoint event” evenimente ce nu au legatură unul cu celălalt
A
B
P(A | B) ≠ P(A ∩ B)
Spatiul este mai restr âns.
Evenimentul depinde de un alt eveniment
Implicații ale teoremei lui Bayes: ◦
Poate fi considerat ă o metodă de măsură a gradului
de încredere. ◦
Pe măsură ce se învață rezultatul se “ rafinează”.
44,45,46,47,48,49/83-85