Témakörök

Jegyzet, tankönyv

oldalszáma

1. Az ágens definíciója, komponensei, a racionális ágens fogalma. Feladatkörnyezetek megadása és típusai. Ágensek belső felépítése, viselkedése. Keresési tér és az alapvető ágenstípusok kapcsolata.

[1] 2. Intelligent Agents, 54-78. old.

2. Problémamegoldás kereséssel. Heurisztikák, informált keresés.

[1] 3.1 Problem-Solving Agents,
3.3 Search Algorithms,
3.5 Informed Search Strategies,
3.6 Heuristic Functions
81-94. old., 102-122. old.

3. Keresés ellenséges környezetben. Optimális döntések két vagy többszemélyes játékokban, játékelméleti alapok. Minimax algoritmus és kiterjesztései.

[1] 6.1 Game Theory,
6.2 Optimal Decisions in Games,
6.3 Heuristic Alpha–Beta Tree Search 192-207. old.

4. Hasznosságelmélet alapjai, preferenciák, hasznosságfüggvények, egyszerű döntések.

[1] 15.1 Combining Beliefs and Desires under Uncertainty,
15.2 The Basis of Utility Theory,
15.3 Utility Functions 518-530. old.

5. Szekvenciális döntési problémák. Markov döntési folyamatok, Bellman-egyenlet.

[1] 16.1 Sequential Decision Problems

16.2 Algorithms for MDPs
552-571. old.

Témakörök

Jegyzet, tankönyv

oldalszáma

1. A tudás formalizálása logikával. Boole-operátorok, propozicionális logika

[1] 7.1 Knowledge-Based Agents
7.3 Logic
7.4 Propositional Logic
pg. 225-240.

2. Logikai következtetés és tételbizonyítás.

[1] 7.5 Propositional Theorem Proving
7.5.1-7.5.2
pg. 240-247.

3. Logikai következtetés Horn-klózok segítségével. Előre és hátra láncolás.

[1] 7.5.3 Horn clauses and definite clauses
7.5.4 Forward and backward chaining
pg. 247-250.

4. Bizonytalanság kvantifikálása. Bayes-szabály és alkalmazása. Naive Bayes modellek.

[1] 12.1 Acting under Uncertainty

pg. 403-417
12.5 Bayes’ Rule and Its Use

12.6 Naive Bayes Models

pg. 417-422

5. Tudás ábrázolása bizonytalanság mellett. Bayes-hálók szemantikája: struktúra és paraméterezés. Valószínűségi következtetés.

[1] 13.1 Representing Knowledge in an Uncertain Domain

13.2 The Semantics of Bayesian Networks

13.3 Exact Inference in Bayesian Networks

pg. 430-453

Témakörök

Jegyzet, tankönyv

oldalszáma

1. Felügyelt tanulás. Tanító és tesztadathalmazok, általánosítás. Bias-variancia kompromisszum.

[1] 19.2 Supervised Learning
pg. 671-675.

2. Döntési fák tanulása. Osztályozás, mintákból tanulás. Attribútumteszt, entrópia, információnyereség.

[1] 19.3.1 Expressiveness of decision trees,

19.3.2 Learning decision trees from examples,
19.3.3 Choosing attribute tests
pg. 675-680.

3. Lineáris regresszió. Egyváltozós és többváltozós lineáris regresszió, veszteségfüggvény.

[1] 19.6.1 Univariate linear regression, 19.6.3 Multivariable linear regression
pg. 694-695, 697-700.

4. Osztályozás logisztikus regresszióval.

[1] 19.6.5 Linear classification with logistic regression pg. 702-704.

5. A bináris osztályozás teljesítmény mutatói. Érzékenység, specifikusság, pontosság.

https://en.wikipedia.org/wiki/
Evaluation_of_binary_classifiers

6. Neurális hálózatok. Egy alapvető neuron és aktivációs függvények. Feed-forward neurális hálózati architektúrák, rejtett réteg, kimeneti réteg.

[1] 22.1 Simple Feedforward Networks
pg. 801-805.

7. Gradiens alapú tanulás. Gradient descent, learning rate.

[1] 19.6.2 Gradient descent
pg. 695-697.
22.1.2 Gradients and learning
pg. 805-807.

1. Gráfalgoritmusok. Szélességi és mélységi bejárás, mélységkorlátozott és iteratívan mélyülő keresés, kétirányú keresés. Teljesség, optimalitás, idő és tárkomplexitás kérdései. Gráfösszefüggőség, aciklikusság, Kruskal-algoritmus minimális költségű feszítőfa meghatározására, Dijksra-, Bellman-Ford-, Floyd-algoritmus legrövidebb utak meghatározására.

[1] 3.4 Uninformed Search Strategies 94-102. old.
[2] 115-126.old., 6.4.1, 6.4.2, 6.4.4, 6.5, 127-151. old.
[3] 2.2, 2.8, 24-28, 52-56. old.

2. Lokális keresés optimalizációs problémákban. Hill-climbing search, Simulated annealing, Tabu search, Local beam search. Lokális keresés folytonos keresési terekben.

[1] 4.1 Local Search and Optimization, Problems,
4.2 Local Search in Continuous Spaces,
4.3 Search with Nondeterministic Actions 128-144. old.

3. A bonyolultságelmélet elemei. P és NP  problémaosztályok, NP-teljesség, visszavezetések, nevezetes NP-teljes problémák.

[2] 8.3-8.5 fejezet, 257-271. old.

8.7 fejezet, 275-296. old.

4. Dinamikus programozás, elágazás és korlátozás (branch and bound), backtracking keresés.

[2] 9.1-9.2 fejezet, 297-305. old.

5. CSP, kényszer, tartomány, konzisztencia. Kényszerek terjesztése. Nevezetes CSP-k.

[1] 5.1 Defining Constraint Satisfaction Problems,

5.2 Constraint Propagation: Inference in CSPs

5.3 Backtracking Search for CSPs.
164-181. old.