Symbolické metody strojového učení a rozhodovací stromy

Abstract

Cílem práce je shrnout teorii strojového učení v multiagentních systémech za pomocí symbolické reprezentace poznatků. Student v případové studii naprogramuje agenta, který bude na základě znalostí specifikovaných v jazyce predikátové logiky 1. řádu budovat reprezentaci pro klasifikaci příkladů v podobě rozhodovacího stromu.

The aim of the thesis is to summarize the theory of machine learning in multi-agent systems using the symbolic representation of knowledge. In the case study, the student will program an agent that will build a representation for classifying examples in the form of a decision tree based on knowledge specified in the language of predicate logic of the 1st order.