To jest stara wersja strony!
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
Uzupełniająco:
Inspiracje do ćwiczeń i poszerzania wiedzy:
Varia:
Ramowy plan wykładu 2017
Wstęp: organizacja zajęć, omówienie dziedziny 2017-02-28
Wprowadzenie do ML i DT: przykłady, problemy, pojęcia. Modele w uczeniu maszynowym, zadania uczenia [FLA:0,1] 2017-03-07
Atrybuty i modele, wejście i wyjście w procesie DM [DMW:2,3], 2017-03-14
Regresja 2017-03-21
Klasyfikacja i jej ewaluacja [FLA:2] 2017-03-28
Kolokwium z lab 2017-04-04
Uczenie pojęć, drzew decyzyjnych i reguł [FLA:4,5,6], [DMW:4] 2017-04-11
Wybrane modele liniowe [FLA:7], [DMW:4] regresja liniowa, perceptron
części 7-8 2017-04-25
Wybrane modele liniowe [FLA:7], SVM, kernele,
części 7-8 2017-05-09
Wybrane modele odległościowe [FLA:8]: sąsiedztwo, kNN, K-means, dendogramy,
części 7-8 2017-05-16
-
Wybrane modele probabilistyczne
Uczenie zestawów klasyfikatorów (ang. ensambles)
Uczenie przyrostowe, uczenie ze strumieni danych
-
-
Przegląd i podsumowanie
Slajdy z wykładów:
Ramowy plan laboratorium
Adres serwera: charon.kis.agh.edu.pl
-
-
-
-
Kolokwium z lab 1-4 - wykład
-
-
-
-
-
Kolokwium z lab 5-9
-
-
-
-
-
Kolokwium z lab 10-14
Egzamin
I Termin: TBA
II Termin: TBA
III Termin: TBA
sala : TBA