Machine learning 2017

Cele kursu

Celem kursu jest przekazanie najistotniejszych wiadomości związanych z problemami i metodami uczenia maszynowego w wymiarze logicznym, geometrycznym i probabilistycznym.
Kurs opiera się na usystematyzowanym przeglądzie podstawowych metod i algorytmów z poszczególnych grup. W ramach wykładu i laboratorium staramy się również przedstawić szerszy kontekst eksploracji danych (ang. data-mining) z związanych z tymi zaganieniami narzędzi.

Podręczniki

Ramowy plan wykładu 2017

  1. Wstęp: organizacja zajęć, omówienie dziedziny. Wprowadzenie do ML i DT: przykłady, problemy, pojęcia. Modele w uczeniu maszynowym, zadania uczenia [FLA:0,1] 2017-02-28
  2. Atrybuty i modele, wejście i wyjście w procesie DM [DMW:2,3], 2017-03-07
  3. Klasyfikacja i jej ewaluacja [FLA:2] (oraz week 6) 2017-03-14
  4. Regresja 2017-03-21
  5. Uczenie pojęć, drzew decyzyjnych i reguł [FLA:4,5,6], [DMW:4] 2017-04-28
  6. Kolokwium z lab 2017-04-04
  7. Uczenie pojęć, drzew decyzyjnych i reguł [FLA:4,5,6], [DMW:4] 2017-04-11
  8. Wybrane modele liniowe [FLA:7], [DMW:4] regresja liniowa, perceptron części 7-8 2017-04-25
  9. Wybrane modele liniowe [FLA:7], SVM, kernele, części 7-8 2017-05-09
  10. Wybrane modele odległościowe [FLA:8]: sąsiedztwo, kNN, K-means, dendogramy, części 7-8 2017-05-16
  11. Kolokwium + Repetytorium: części 1-3 i części 4-6 części 7-8 – na podstawie slajdów z podręcznika P. Flacha
  12. Wybrane modele probabilistyczne
  13. Uczenie zestawów klasyfikatorów (ang. ensambles)
  14. Uczenie przyrostowe, uczenie ze strumieni danych
  15. Przegląd i podsumowanie

Slajdy z wykładów:

Ramowy plan laboratorium

Adres serwera: charon.kis.agh.edu.pl

  1. Laboratorium 1 - Wprowadzenie do Octave ()
  2. Laboratorium 2 - Uczenie pojęć ()
  3. Laboratorium 3 - Drzewa decyzyjne
  4. Laboratorium 4 - Reguły asocjacyjne
  5. Kolokwium z lab 1-4 - wykład
  6. Laboratorium 5 - Regresja Liniowa
  7. Laboratorium 6 - Regresja Logistyczna
  8. Laboratorium 7 - Sztuczne sieci neuronowe
  9. Laboratorium 8 - Transfer Learning
  10. Laboratorium 9 - Bias/Variance
  11. Kolokwium z lab 5-9
  12. Laboratorium 10 - Support Vector Machines
  13. Laboratorium 11 - Klasteryzacja
  14. Laboratorium 12 - Systemy rekomendacyjne i detekcja anomalii
  15. Laboratorium 13 - Sieci Bayesowskie - wprowadzenie
  16. Laboratorium 14 - Sieci Bayesowskie
  17. Kolokwium z lab 10-14

Egzamin

  • I Termin: TBA
  • II Termin: TBA
  • III Termin: TBA

sala : TBA

pl/dydaktyka/ml/start.txt · ostatnio zmienione: 2017/03/14 16:21 przez gjn
www.chimeric.de Valid CSS Driven by DokuWiki do yourself a favour and use a real browser - get firefox!! Recent changes RSS feed Valid XHTML 1.0