Różnice między wybraną wersją a wersją aktualną.
| Both sides previous revision Poprzednia wersja Nowa wersja | Poprzednia wersja | ||
|
pl:dydaktyka:ml:start [2016/04/14 10:15] esimon [Ramowy plan laboratorium] |
pl:dydaktyka:ml:start [2019/06/27 15:50] (aktualna) |
||
|---|---|---|---|
| Linia 1: | Linia 1: | ||
| - | ====== Machine learning 2016 ====== | + | ====== Machine learning 2019 ====== |
| ===== Cele kursu ===== | ===== Cele kursu ===== | ||
| Celem kursu jest przekazanie najistotniejszych wiadomości związanych z problemami i metodami uczenia maszynowego w wymiarze logicznym, geometrycznym i probabilistycznym.\\ | 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. | 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 ===== | ===== Podręczniki ===== | ||
| Linia 18: | Linia 19: | ||
| * [FCA] [[http://www.cs.ubc.ca/~poole/|D. Poole]], [[http://www.cs.ubc.ca/~mack|A. Mackworth]], //[[http://artint.info|Artificial Intelligence: Foundations of Computational Agents]]//, Cambridge University Press, 2010, **[[http://artint.info/html/ArtInt.html|ONLINE]]** | * [FCA] [[http://www.cs.ubc.ca/~poole/|D. Poole]], [[http://www.cs.ubc.ca/~mack|A. Mackworth]], //[[http://artint.info|Artificial Intelligence: Foundations of Computational Agents]]//, Cambridge University Press, 2010, **[[http://artint.info/html/ArtInt.html|ONLINE]]** | ||
| - | Źródła ćwiczeń: | + | Inspiracje do ćwiczeń i poszerzania wiedzy: |
| - | * [ANG] [[http://www.cs.stanford.edu/people/ang/|Andrew Ng]] [[https://www.coursera.org/course/ml|Coursera: Machine Learning]] | + | * Coursera: [[https://www.coursera.org/specializations/machine-learning|Machine learning specialization]] |
| + | * Coursera: [[http://www.cs.stanford.edu/people/ang/|Andrew Ng]] [[https://www.coursera.org/course/ml|Coursera: Machine Learning]] | ||
| + | * Coursera: [[https://www.coursera.org/specializations/jhu-data-science|Data Science specialization]] | ||
| * [ZMV] [[http://www.cs.ccsu.edu/~markov/|Zdravko Markov]], //[[http://www.cs.ccsu.edu/~markov/ccsu_courses/MachineLearning.html|CS570 - Topics in AI: Machine Learning]]//, oraz //[[http://www.cs.ccsu.edu/~markov/ccsu_courses/mlprograms/|Machine Learning Programs and Laboratory Experiments in Prolog]]//, 2003. | * [ZMV] [[http://www.cs.ccsu.edu/~markov/|Zdravko Markov]], //[[http://www.cs.ccsu.edu/~markov/ccsu_courses/MachineLearning.html|CS570 - Topics in AI: Machine Learning]]//, oraz //[[http://www.cs.ccsu.edu/~markov/ccsu_courses/mlprograms/|Machine Learning Programs and Laboratory Experiments in Prolog]]//, 2003. | ||
| - | |||
| - | Kursy on-line: | ||
| * [[http://www.cs.waikato.ac.nz/~ihw|Ian Witten]], Data Mining with Weka: [[http://wekamooc.blogspot.com/]] [[https://weka.waikato.ac.nz/explorer]] | * [[http://www.cs.waikato.ac.nz/~ihw|Ian Witten]], Data Mining with Weka: [[http://wekamooc.blogspot.com/]] [[https://weka.waikato.ac.nz/explorer]] | ||
| - | * [[http://www.cs.stanford.edu/people/ang/|Andrew Ng]], Machine Learning: [[https://www.coursera.org/course/ml]] | ||
| Varia: | Varia: | ||
| Linia 32: | Linia 32: | ||
| * [[https://www.lenwood.cc/2014/05/13/12-free-data-mining-books/|14 Free (as in beer) Data Mining Books]] | * [[https://www.lenwood.cc/2014/05/13/12-free-data-mining-books/|14 Free (as in beer) Data Mining Books]] | ||
| - | ===== Ramowy plan wykładu 2016 ===== | + | ===== Ramowy plan wykładu 2019 ===== |
| - | - Wstęp: organizacja zajęć, omówienie dziedziny | + | - [GJN] Wstęp: organizacja zajęć, omówienie dziedziny. Wprowadzenie do o ML i DT: przykłady, problemy, pojęcia. Modele w uczeniu maszynowym, zadania uczenia |
| - | - Wprowadzenie do ML i DT: przykłady, problemy, pojęcia. Modele w uczeniu maszynowym, zadania uczenia [FLA:0,1] 2016-03-01 | + | - [GJN] Atrybuty i modele, wejście i wyjście w procesie DM |
| - | - Atrybuty i modele, wejście i wyjście w procesie DM [DMW:2,3], 2016-03-08 | + | - [GJN] Wybrane modele odległościowe [FLA:8]: sąsiedztwo, kNN, K-means, |
| - | - Klasyfikacja i jej ewaluacja [FLA:2] 2016-03-22 | + | - [SBK] Regresja liniowa |
| - | - Kolokwium z lab (Uczenie pojęć) 2016-04-05 | + | - [SBK] Bias/Variance |
| - | - Uczenie pojęć, drzew decyzyjnych i reguł [FLA:4,5,6], [DMW:4] 2016-04-12 | + | - [SBK] Ridge regression |
| - | - Wybrane modele liniowe [FLA:7], [DMW:4] regresja liniowa, perceptron, SVM, kernele, [[mlrep3|części 7-8]] 2016-04-19 | + | - [GJN/SBK] Klasyfikacja i jej ewaluacja |
| - | - Wybrane modele odległościowe [FLA:8]: sąsiedztwo, kNN, K-means, dendogramy, [[mlrep3|części 7-8]] | + | - [SBK] Regresja Logistyczna |
| - | - Repetytorium: [[mlrep1|części 1-3]] i [[mlrep2|części 4-6]] [[mlrep3|części 7-8]] -- na podstawie [[http://www.cs.bris.ac.uk/~flach/mlbook/materials/mlbook-beamer.pdf|slajdów z podręcznika P. Flacha]] 2016-04-26 | + | - [SBK] SVM |
| - | - Wybrane modele probabilistyczne [FCA] [[http://artint.info/html/ArtInt_138.html|6]], [[http://artint.info/html/ArtInt_196.html|7.8]] | + | - [SBK] Wybrane modele probabilistyczne |
| - | - Systemy rekomendujące: [[http://www.recommenderbook.net/|Recommender Systems - An Introduction]], [[http://www.recommenderbook.net/teaching-material/tutorial-slides|tutorial]] | + | - [GJN] Uczenie pojęć, reguł |
| - | - Narzędzia do ML | + | - [SBK] Drzewa decyzyjne |
| - | - ML a IR: [[http://nlp.stanford.edu/IR-book/html/htmledition/irbook.html|Introduction to Information Retrieval]], [[http://www.dcs.bbk.ac.uk/~dell/teaching/ir/|slajdy do kursu]] | + | - [SBK] Uczenie zestawów klasyfikatorów (ang. ensambles) |
| - | - Przegląd i podsumowanie | + | - [SBK] Przegląd i podsumowanie |
| + | |||
| + | ===== Ramowy plan wykładu 2018 ===== | ||
| + | - [06.03.2018] Wstęp: organizacja zajęć, omówienie dziedziny. Wprowadzenie do o ML i DT: przykłady, problemy, pojęcia. Modele w uczeniu maszynowym, zadania uczenia | ||
| + | - [13.03.2018] Atrybuty i modele, wejście i wyjście w procesie DM | ||
| + | - [20.03.2018] Regresja liniowa | ||
| + | - [27.03.2018] Ridge regression i Lasso | ||
| + | - [10.04.2018] Klasyfikacja i jej ewaluacja | ||
| + | - [17.04.2018] Regresja Logistyczna | ||
| + | - [24.04.2018] SVM | ||
| + | - [08.05.2018] Wybrane modele probabilistyczne | ||
| + | - [15.05.2018] Uczenie pojęć, reguł | ||
| + | - [22.05.2018] Drzewa decyzyjne | ||
| + | - [29.05.2018] Uczenie zestawów klasyfikatorów (ang. ensambles) | ||
| + | - [05.06.2018] Wybrane modele odległościowe [FLA:8]: sąsiedztwo, kNN, K-means, | ||
| + | - [12.06.2018] Wprowadzenie do Reinforcement learning | ||
| + | - [19.06.2018] Przegląd i podsumowanie | ||
| Slajdy z wykładów: | Slajdy z wykładów: | ||
| * [[http://www.cs.bris.ac.uk/~flach/mlbook/materials/mlbook-beamer.pdf|FLA]] | * [[http://www.cs.bris.ac.uk/~flach/mlbook/materials/mlbook-beamer.pdf|FLA]] | ||
| * [[http://www.cs.waikato.ac.nz/ml/weka/Slides3rdEd_Ch1-5.zip|DMW]] [[http://www.cs.waikato.ac.nz/ml/weka/Slides3rdEd_Ch6-6.zip|DMW]] | * [[http://www.cs.waikato.ac.nz/ml/weka/Slides3rdEd_Ch1-5.zip|DMW]] [[http://www.cs.waikato.ac.nz/ml/weka/Slides3rdEd_Ch6-6.zip|DMW]] | ||
| + | * Podsumowanie: {{ :pl:dydaktyka:ml:summary-small.pdf |}} | ||
| ===== Ramowy plan laboratorium ===== | ===== Ramowy plan laboratorium ===== | ||
| Adres serwera: charon.kis.agh.edu.pl | Adres serwera: charon.kis.agh.edu.pl | ||
| - | - [[.:lab1|Laboratorium 1]] - Wprowadzenie do Octave () | + | - [06.03.2018] [[.:2018lab1|Laboratorium 1]] - Wprowadzenie do środowiska pracy I |
| - | - [[.:lab2|Laboratorium 2]] - Uczenie pojęć () | + | - [06.03.2018] [[.:2018lab1|Laboratorium 2]] - Wprowadzenie do środowiska pracy II |
| - | - [[.:2014lab3|Laboratorium 3]] - Drzewa decyzyjne | + | - [12.06.2018] [[.:2018lab10|Laboratorium 3]] - Klasteryzacja |
| - | - [[.:2014lab4|Laboratorium 4]] - Reguły asocjacyjne | + | - [13.03.2018] [[.:2018lab2|Laboratorium 4]] - Regresja Liniowa I |
| - | - **Kolokwium z lab 1-4** - wykład | + | - [20.03.2018] [[.:2018lab2|Laboratorium 5]] - Regresja Liniowa II |
| - | - [[.:lab4|Laboratorium 5]] - Regresja Liniowa | + | - [27.03.2018] [[.:2018lab3|Laboratorium 6]] - Ridge i Lasso |
| - | - [[.:lab5|Laboratorium 6]] - Regresja Logistyczna | + | - [10.04.2018] [[.:2018lab4|Laboratorium 7]] - Regresja logistyczna I |
| - | - [[.:lab6|Laboratorium 7]] - Sztuczne sieci neuronowe | + | - [10.04.2018] [[.:2018lab4|Laboratorium 8]] - Regresja logistyczna II |
| - | - [[.:2016lab6|Laboratorium 8]] - Transfer Learning | + | - [17.04.2018] [[.:2018lab5|Laboratorium 8]] - Support Vector Machine I |
| - | - [[.:lab8|Laboratorium 9]] - Bias/Variance | + | - [24.04.2018] [[.:2018lab5|Laboratorium 9]] - Support Vector Machine II |
| - | - **Kolokwium z lab 5-9** | + | - [08.05.2018] Kolokwium I |
| - | - [[.:lab9|Laboratorium 10]] - Support Vector Machines | + | - [15.05.2018] [[.:2018lab6|Laboratorium 10]] - Modele probabilistyczne I |
| - | - [[.:lab10|Laboratorium 11]] - Klasteryzacja | + | - [22.05.2018] [[.:2018lab7|Laboratorium 11]] - Szeregi czasowe * |
| - | - [[.:lab11|Laboratorium 12]] - Systemy rekomendacyjne i detekcja anomalii | + | - [29.05.2018] [[.:2018lab8|Laboratorium 12]] - Drzewa decyzyjne |
| - | - [[.:lab12|Laboratorium 13]] - Sieci Bayesowskie - wprowadzenie | + | - [05.06.2018] [[.:2018lab9|Laboratorium 13]] - Reguły asocjacyjne * |
| - | - [[.:lab13|Laboratorium 14]] - Sieci Bayesowskie | + | |
| - | - **Kolokwium z lab 10-14** | + | |
| + | - [19.06.2018] Kolokwium II | ||
| ===== Egzamin ===== | ===== Egzamin ===== | ||
| * I Termin: TBA | * I Termin: TBA | ||
