Kooperatív és tanuló rendszerek

Kooperatív és tanuló rendszerek

Tárgykód	VIMIA357
Általános infók
Szak	info szak
Kredit	4
Ajánlott félév	6
Keresztfélév	nincs
Tanszék	MIT
Követelmények
Labor	3 alkalom (nincs jelenlét)
NagyZH	1 db
Házi feladat	4 db
Vizsga	írásbeli
Elérhetőségek
Tantárgyi adatlap
Tárgyhonlap

Jegyzet

Neurális hálózatok könyv | Epub, pdf formátumok

Zh

Korábbi zh-k:

• 2008-03-26 Zh
• 2009-04-28 Zh
• 2009-05-15 pZh
• 2009-05-25 ppZh
• 2012-04-10 Zh
• 2012-05-04 pZh
• 2014 tavasz, Zh+pZh

Házi feladat

A házi feladatok verseny szerű házik, amik végül egymás ellen versenyeznek. A győztesek plusz pontokat szerezhetnek a vizsgákra.

Első házi

Megoldható egy minimális MLP-vel (előtte a megfelelő .mat fájlt be kell tölteni a workspace-be)

Tanítás

tx = x';
ty = y';
net = newff(tx,ty,100);
net = train(net,tx,ty);
save('net', 'net')

Majd ezután a player_i_fight.m tartalma:

player_i_fight.m

function y = player_i_fight(x)
load net;
y = sim(net,x');
return

Második házi

Ezt a házit is meg lehet még oldani MLP-vel, de itt már érdemes szétszedni tanító és essenőrző pontokra.

Tanítás

td = d';
txy = xy';
index = randperm(size(xy,1));
traincount = round(length(index)*0.8);
trainP = xy(index(1:traincount),:);
trainT = d(index(1:traincount),:);
testP = xy(index(traincount+1:end),:);
testT = d(index(traincount+1:end),:);
net = newff(txy,td,49);
net = train(net,txy,td);
save('food', 'net');

Ezután a player_i_eat.m megint nagyon egyszerűen néz ki:

player_i_eat.m

function y = player_i_eat(x)
load food.mat;
y = (sim(net,x')>0)*2-1;
return

Harmadik házi

A harmadik házinak már bonyolultabb a paraméterezése, hoszabb a megirandó fájl. A megoldáshoz SVM-et használtam, ezért fel kell mellé tölteni a toolboxból az svmval, svmreg és svmkernel fájlokat.

Tanítás

train_x=x(1:2000);
test_x=x(1901:2000);

tw = 4;
oszlopok = tw + 1;

tr_sorok = length(train_x) - tw;
train_samples = zeros(tr_sorok, oszlopok);
for i = 1 : tw + 1
    train_samples(:, i) = train_x(i : size(train_samples ,1) + i - 1);
end;

te_sorok = length(test_x) - tw;
test_samples = zeros(te_sorok, oszlopok);
for i = 1 : tw + 1
    test_samples(:, i) = test_x(i : size(test_samples ,1) + i - 1);
end;

% Paraméterek beállítása.
C = 10;
lambda = 1e-6;
epsilon = 0.01;
kerneloption = 0.1;
kernel = 'poly';
verbose = 0;

[xsup,ysup,w,w0] = ...
svmreg(train_samples(1:tr_sorok, 1:oszlopok-1),train_samples(1:tr_sorok, oszlopok), ...
C, epsilon, kernel, kerneloption, lambda, verbose);
% Szimuláció.
ki = svmval(train_samples(:, 1 : oszlopok - 1), xsup, w, w0, kernel, kerneloption);

plot(train_x(tw + 1 : end), 'b');
hold on;
plot(ki, 'r');
hold off;

mse = mean((train_x(tw+1:end) - ki).^2)

%csinálok egy struktúrát a mentéshez
param.xsup = xsup;
param.w = w;
param.w0 = w0;
param.kernel = kernel;
param.kerneloption = kerneloption;

save pred_svm param;

A feltöltendő player_i_step.m is hasonlóan hoszabb lesz

player_i_step.m

function  [from_x,from_y,to_x,to_y,messages_out] = ...
    player_i_step(field, player_color, food_arr_x, food_arr_y, ...
    food_arr_min, food_arr_max, messages_in, player_name_to_color, round_i, step_i)

    load('pred_svm.mat');

players = fieldnames(player_name_to_color);
for my_index = 1 : length(players)
    if (player_name_to_color.(players{my_index}) == player_color)
        break;
    end
end

senders = fieldnames(messages_in);
for sender_i = 1 : length(senders)
    fprintf('I''m %s and got message from %s:\n', ...
            players{my_index}, senders{sender_i});
    messages_from_i = messages_in.(senders{sender_i});
    for msg_i = 1 : length(messages_from_i)
        disp(messages_from_i{msg_i});
    end
end

messages_out = struct();


x_t = food_arr_x(:,1);
x_x = food_arr_x(:,2);

y_t = food_arr_y(:,1);
y_x = food_arr_y(:,2);


[player_x,player_y]= find([field(:,:,1)==player_color]);

field_x = size(field,1);
field_y = size(field,2);

FROM_i = randperm(size(player_x,1));

from_x = player_x(FROM_i(1));
from_y = player_y(FROM_i(1));

%a paraméterek az svm-hez meg a futtatsához
xsup = param.xsup;
w = param.w;
w0 = param.w0;
kernel = param.kernel;
kerneloption = param.kerneloption;
tw = 4;
pred = zeros(5, 2);

%megjósoljuk az x-eket
for i = 1:1:5
    start = i-tw;
    pred(i,1) = svmval([x_x(end+start:end); pred(1:i-1,1)]', xsup, w, w0, kernel, kerneloption);
end

%megjósoljuk az y-okat
for i = 1:1:5
    start = i-tw;
    pred(i,2) = svmval([y_x(end+start:end); pred(1:i-1,2)]', xsup, w, w0, kernel, kerneloption);
end

TO_X = pred(5,1);
TO_Y = pred(5,2);
if (TO_X > food_arr_max) 
    TO_X = food_arr_max; 
end;
if (TO_X < food_arr_min) 
    TO_X = food_arr_min; 
end;
if (TO_Y > food_arr_max) 
    TO_Y = food_arr_max; 
end;
if (TO_Y < food_arr_min) 
    TO_Y = food_arr_min; 
end;

%az 1 és 100 közé normáláshoz
if (TO_X == food_arr_max)
    TO_X = ceil((((TO_X-food_arr_min)/(food_arr_max-food_arr_min))*field_x));
else
    TO_X = ceil((((TO_X-food_arr_min)/(food_arr_max-food_arr_min))*field_x)+0.01);
end;
if (TO_Y == food_arr_max)
    TO_Y = ceil((((TO_Y-food_arr_min)/(food_arr_max-food_arr_min))*field_y));
else
    TO_Y = ceil((((TO_Y-food_arr_min)/(food_arr_max-food_arr_min))*field_y)+0.01);
end;

%ha foglalt a mező amire lépni akar akkor a pálya bleseje felé lép
kozep = ceil(field_x/2);
while (field(TO_X,TO_Y,1) ~= 0)
    TO_X = TO_X+(kozep-TO_X);
end;

to_x = TO_X;
to_y = TO_Y;
return

Negyedik házi

Itt az első hármat kell egybe leadni, dokumentációval kiegészítve, illetve a minimális megoldáshoz a player_i-place.m fájlt hozzá kell másolni a random megoldásból.

Mivel a harmadik háziban nem volt szabad ugyanoda lépni, mint ahol más van, itt pedig harcolni kell a többiekkel, ki kell venni azt a pár sort a feltöltésből

Vizsga

Régebbi vizsgasorok

Régi, kevésbé releváns vizsgák

• 2008-05-26
• 2008-06-02
• 2008-06-09
• 2008-06-16
• 2009-05-25
• 2009-06-02

• 2012-05-29
• 2012-06-12
• 2014-05-27
• 2014-06-03

Kidolgozott ellenőrző kérdések

• Tanuló rendszerek (Zh-ig)
  • Kooperatív Tanuló Rendszerek Összes kérdés ZH 01
  • Kooperatív Tanuló Rendszerek Összes kérdés ZH 02
  • Kooperatív Tanuló Rendszerek Összes kérdés ZH 03
  • Kooperatív Tanuló Rendszerek Összes kérdés ZH 04
  • Kooperatív Tanuló Rendszerek Összes kérdés ZH 05
• Kooperatív rész (Zh után)
  • Vizsgára kiadott ellenőrző kérdések kidolgozása 01
  • Vizsgára kiadott ellenőrző kérdések kidolgozása 02
  • Vizsgára kiadott ellenőrző kérdések kidolgozása 03
  • Vizsgára kiadott ellenőrző kérdések kidolgozása 04
  • Vizsgára kiadott ellenőrző kérdések kidolgozása 05

Tippek

A tárgy nem éppen a legkönnyebb a szakirányon és ezt a zh statisztikából is lehet látni.
Tippek a teljesítéshez:

• bejárni órákra (jó az elején komolyan venni a dolgokat, zh-ra annál kevesebbet kell készülni)
• időben nekiállni készülni rá
• könyvet megtanulni: elég száraz, ahogy le vannak írva a dolgok, de ha szépen kihámozod belőle a lényeget, ami így sem kevés, akkor vagy jó, annál többet nem kérdeznek
• MLP-t oda-vissza megérteni (tanár úr mondta, hogy régen szóbeli is volt és aki ezt nem tudta annak már repült is a karó )
• zh-ra és vizsgára is jellemző, hogy van "mentőkérdés", ez az amit nagyjából biztos hogy behúzol, de ez kevés lesz egy ketteshez is
• tipikus kevésbé trükkösebb feladatok: svm, rbf, cmac, mlp, fir szűrős
• advanced vagy trükkös feladat általában: oja hálós, pca (ezek zh előtti 1-2 hétben lesznek leadva)
• ha kritériumfüggvényes feladatmegoldást kérnek, akkor nem elég az hogy így és így csinálnám meg hanem neki kell állni bizony deriválni

Vélemények

Autonóm intelligens rendszerek - Mérnök informatikus
Közös tárgyak	Ipari képfeldolgozás és képmegjelenítés  •  Kooperatív és tanuló rendszerek
Autonóm rendszerek	Autonóm robotok és járművek  •  Autonóm robotok és járművek laboratórium 1  •  Autonóm robotok és járművek laboratórium 2
Intelligens rendszerek	Beágyazott információs rendszerek  •  Intelligens rendszerek laboratórium 1  •  Intelligens rendszerek laboratórium 2