Stranice predmeta

1) Upoznavanje sa problemima automatskog odlučivanja i osnovnim strukturama sistema za automatsko odlučivanje i podršku u odlučivanju. 2) Problemi učenja sa podsticajem (Reinforcement Learning): ilustracija primera, oblasti i mogućnosti primene. Način nakoji se učenje sa podsticajem odnosi prema drugim tehnikama mašinskog učenja (nadgledanom i nenadgledanom učenju) 3) Konačni procesi odlučivanja: deterministički i stohastički (Markovljevi) procesi odlučivanja. 4) Osnovni metodi egzaktnog rešavanja konačnih problema odlučivanja: Belmanova jednačina i osnovni principi dinamičkog programiranja. Širi značaj i primena metoda dinamičkog programiranja. 5) Veza sa problemima optimalnog upravljanja. Osnovni pojmovi o beskonačnim i vremenski kontinualnim problemima odlučivanja i upravljanja. 6) Ograničenja egzaktnih metoda i potreba za uvođenjem aproksimativnih tehnika. Uvod u heurističke metode. Monte-Karlo metode rešavanja problema učenja sa podsticajem. Studije slučaja. 7) Osnovni principi identifikacije parametara (vremenski diskretnih) dinamičkih sistema. 8) Osnovni principi konstrukcije rekurzivnih estimatora stanja, parametara i poremećaja (odnosno nepoznatih ulaza). Rekurzivni estimatori. Kalmanovi filtri. 9) Učenje na osnovu razlika u vremenu (Temporal Difference Learning) 10) Primena metoda dubokog učenja u problemima učenja sa podsticajem (Deep Reinforcement Learning). Duboko Q-učenje. Metode kritike (actor critic methods). 11) Studije slučaja