Jānis Zuters. Mašīnmācīšanās izvēlētās nodaļas

Kurss 'Mašīnmācīšanās izvēlētās nodaļas'

Course 'Selected topics in machine learning'

Pēdējās izmaiņas/last changes 15.06.2016.

Regulārās nodarbības 2016

2016.02.09. Reinforcement learning kā ML virziens. N-roku bandīta problēma.

2016.02.09. RL: MDP, grid problem, dynamic programming: policy evaluation, policy iteration.

2016.02.16. Laboratorijas darbs #1. RL: policy evaluation, policy iteration.

2016.02.16. RL: Monte Carlo kontroles algoritms.

2016.02.23. Laboratorijas darbs #2. RL: Monte Carlo kontroles algoritms.

2016.02.23. RL: Temporal difference (TD) algoritmi: sarsa un q-learning.

2016.03.01. Laboratorijas darbs #3. RL: Temporal difference (TD) algoritmi.

2016.03.01. Ģenētiskie algoritmi

2016.03.08. Laboratorijas darbs #4. Ģenētiskie algoritmi.

2016.03.15. Lekcija un laboratorijas darbs #5. Naivais Beijesa klasifikators. Vieslekcija: "Finanšu transakciju klasificēšana un Navā Beijesa klasifikatora pielietojamība praksē".

2016.03.15. Spieta optimizācija: Particle Swarm Optimization un skudru koloniju optimizācija (ACO).

2016.03.29. Laboratorijas darbs #6. Skudru koloniju optimizācija.

2016.03.29. Klasifikācija ar Support Vector Machine.

2016.04.05. Laboratorijas darbs #7. Support Vector Machine.

2016.04.05. Laboratorijas darbs #8. Laboratorijas darbu nodošana.

Lectures and labs in spring 2016

2016.02.09. Reinforcement learning as a ML paradigm. The N-armed bandit problem.

2016.02.09. RL: MDP, grid problem, dynamic programming: policy evaluation, policy iteration.

2016.02.16. Lab #1. RL: policy evaluation, policy iteration.

2016.02.16. RL: Monte Carlo control algorithm.

2016.02.23. Lab #2. RL: Monte Carlo control algorithm.

2016.02.23. RL: Temporal difference (TD) algorithms: sarsa and q-learning.

2016.03.01. Lab #3. RL: Temporal difference (TD) algorithms.

2016.03.01. Genetic algorithms

2016.03.08. Lab #4. Genetic algorithms.

2016.03.15. Lecture and lab #5. Naive Bayes classifier.

2016.03.15. Particle Swarm Optimization un Ant colony optimization.

2016.03.29. Lab #6. Ant colony optimization.

2016.03.29. Classification with Support Vector Machine.

2016.04.05. Lab #7. Support Vector Machine.

2016.04.05. Lab #8. Final activities.

Kursa vērtēšana/Ealuation

Aktivitāte/ Activity	Apraksts/Description	Nominālais atzīmes %*	Piezīmes/ Remarks
Lab.d. 1	RL: policy evaluation, policy iteration	10
Lab.d. 2	RL: Monte Carlo kontroles algoritms/ Monte Carlo control algorithm	10
Lab.d. 3	RL: Sarsa	10
Lab.d. 4	Ģenētiskie algoritmi/Genetic algorithms	20
Lab.d. 5	Naivais Beijesa klasifikators/Naive Bayes classifier	10
Lab.d. 6	Skudru koloniju optimizācija (Ant colony optimization)	15
Lab.d. 7	Support Vector Machine	15
Eksāmens/exam	Tests/test	10
KOPĀ/ TOTAL		100	Atzīme: 9 Grade: 9
Lab.d. X	Sarsa realizācija ar ‘Eligibility traces’ mehānismu vai Tīģera problēmas risināšana/Implemented sarsa with the ‘eligibility traces’ mechanism or the Tigers’ problem	10	ja nokārtoti visi regulārie darbi
PAVISAM KOPĀ/ GRAND TOTAL		110	Atzīme: 10 Grade: 10