Tantárgy adatlapja
Tárgy neve: Gépi tanulás robotikai alkalmazásai
Tárgy kódja: P-ITEEA-0048
Óraszám: N: 2/0/2, L: 0/0/0
Kreditérték: 5
Az oktatás nyelve: magyar
Követelmény típus: Kollokvium
Felelős kar: ITK
Felelős szervezeti egység: Pázmány Péter Katolikus Egyetem Információs Technológiai és Bionikai Kar
Tárgyfelelős oktató:
Dr. Koller Miklós
Tárgyleírás:
| Tantárgy neve: | Gépi tanulás robotikai alkalmazásai P-ITEEA-0048 |
|---|---|
| Tárgyfelelős: | Koller Miklós |
| Tantárgy oktatója: | Koller Miklós |
| A tantárgy céljának rövid ismertetése: | Gépi tanulási módszerek megismertetése, leghangsúlyosabban a megerősítéses tanulás (RL): hogyan használható kifejezetten robotikai problémák megoldására. A kurzus erősen támaszkodik Sergey Levine Deep Reinforcement Learning kurzusára az UC Berkeley-en. |
| Elsajátítandó elméleti ismeretanyag: | A főbb témakörök:
|
| Elsajátítandó gyakorlati ismeretanyag: | A főbb gyakorlati feldatok (konkrét algoritmusok esetén kód-szkeleton kiadás után kiegészítés-tesztelés-átírás a feladat):
|
| A 2-4 legfontosabb kötelező irodalom felsorolása bibliográfiai adatokkal (szerző, cím, kiadás adatai, (esetleg oldalak), ISBN): | I. Goodfellow, Y. Bengio és A. Courville, Deep Learning. Cambridge, MA, USA: MIT Press, 2016. [Online]. R. S. Sutton és A. G. Barto, Reinforcement Learning: An Introduction, 2. kiad. Cambridge, MA, USA: MIT Press, 2018. [Online]. |
| A 2-4 legfontosabb ajánlott felsorolása bibliográfiai adatokkal (szerző, cím, kiadás adatai, (esetleg oldalak), ISBN): | C. M. Bishop, Pattern Recognition and Machine Learning. New York, NY, USA: Springer, 2006. [Online]. S. J. Russell és P. Norvig, Artificial Intelligence: A Modern Approach, 4. kiad. Hoboken, NJ, USA: Pearson, 2020. [Online]. |
| Elmélet-gyakorlat aránya: | Elméleti óra óraszáma: 2 Gyakorlati óra és labor óra óraszáma: 0 + 2 |
| Az alkalmazott oktatási módszerek: | Előadásnál: hagyományos frontális előadás diasorral, sok szemléltető ábrával és képletes alátámasztással. Gyakorlatnál: rövid prezentációs áttekintés, majd kód-szkeleton kiadása, együttes elemzése és kiegészítése. |
| Az értékelés módja: | Kollokvium |
| Az értékelés kritériuma: | A gyakorlatok teljesítése kötelező, a gyakorlati anyag megoldásának gyakorlatvezető által történő elfogadása az aláírás feltétele, nem megfelelő megoldás esetén a gyakorlatvezető kérheti a gyakorlati anyag javítását. Félévközi zárthelyi nincsen. Az aláírás megszerzése után képződő kurzuszáró jegy kizárólag a vizsgán nyújtott teljesítményen múlik. a vizsgán az előadásokkal és gyakorlatokkal kapcsolatos kérdések és témák is lehetnek; a vizsga alapvetően szóbeli. Jeles (5): érti a féléves anyagot a hallgató, meg is jegyezte a tudományos és technikai részleteket, önálló gondolatai vannak az egyes elvekkel és módszerekkel kapcsolatban, azok előnyeit és hátrányait helyesen mérlegeli. Közepes (3): bizonyos részeket ért a hallgató, más részeket viszont nem teljesen a féléves anyagból. Részben legalább átlátja az eljárások és módszerek mögöttes működési alapját. Rábírható önálló gondolkodásra, tud javasolni vezérlési koncepciót és teljes problémakezelés esetén megoldási pipeline-t. Elégtelen (1): nincsen tárgyi sem technikai tudása a féléves tananyaggal kapcsolatban; nem bírható rá önálló gondolkodásra. (A jó (4) és elégséges (2) a fentebbi pontok között skálázódnak.) |
| Miként járul hozzá a tantárgy a KKK-ban megjelölt kompetenciaelemek megszerzéséhez: | Mérnökinformatikus alapképzés: |
