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.

• [FLA] Peter Flach Machine Learning. The Art and Science of Algorithms that Make Sense of Data, Cambridge University Press, 2012.
• [DMW] Ian Witten, Eibe Frank, Mark Hall, Data Mining: Practical Machine Learning Tools and Techniques, 3rd edition, Morgan Kaufmann Publishers, 2011

Uzupełniająco:

• [TML] T. Mitchell, Machine Learning, McGraw Hill, 1997.
• [CMB] Christopher M. Bishop Pattern Recognition and Machine Learning, Springer, 2007.
• [CIH] Paweł Cichosz, Systemy uczące się, WNT, 2000.
• [KDA] Krzysztof Cios et al. Data Mining A Knowledge Discovery Approach, Springer, 2007 slajdy
• [RSI] Recommender Systems - An Introduction, tutorial
• [IIR] Introduction to Information Retrieval, slajdy do kursu
• [FCA] D. Poole, A. Mackworth, Artificial Intelligence: Foundations of Computational Agents, Cambridge University Press, 2010, ONLINE

Inspiracje do ćwiczeń i poszerzania wiedzy:

• Coursera: Machine learning specialization
• Coursera: Andrew Ng Coursera: Machine Learning
• Coursera: Data Science specialization
• [ZMV] Zdravko Markov, CS570 - Topics in AI: Machine Learning, oraz Machine Learning Programs and Laboratory Experiments in Prolog, 2003.
• Ian Witten, Data Mining with Weka: http://wekamooc.blogspot.com/ https://weka.waikato.ac.nz/explorer

Varia:

• WEKA
• UCI ML repo
• Zdravko Markov and Daniel T. Larose Data Mining the Web: Uncovering Patterns in Web Content, Structure, and Usage
• 14 Free (as in beer) Data Mining Books

1. [06.03.2018] Wstęp: organizacja zajęć, omówienie dziedziny. Wprowadzenie do o ML i DT: przykłady, problemy, pojęcia. Modele w uczeniu maszynowym, zadania uczenia
2. [13.03.2018] Atrybuty i modele, wejście i wyjście w procesie DM
3. [20.03.2018] Regresja liniowa
4. [27.03.2018] Ridge regression i Lasso
5. [10.04.2018] Klasyfikacja i jej ewaluacja
6. [17.04.2018] Regresja Logistyczna
7. [24.04.2018] SVM
8. [08.05.2018] Wybrane modele probabilistyczne
9. [15.05.2018] Uczenie pojęć, reguł
10. [22.05.2018] Drzewa decyzyjne
11. [29.05.2018] Uczenie zestawów klasyfikatorów (ang. ensambles)
12. [05.06.2018] Wybrane modele odległościowe [FLA:8]: sąsiedztwo, kNN, K-means,
13. [12.06.2018] Wprowadzenie do Reinforcement learning
14. [19.06.2018] Przegląd i podsumowanie

Slajdy z wykładów:

• FLA
• DMW DMW

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

1. [06.03.2018] Laboratorium 1 - Wprowadzenie do środowiska pracy
2. [13.03.2018] Laboratorium 2 - Regresja Liniowa I
3. [20.03.2018] Laboratorium 3 - Regresja Liniowa II
4. [27.03.2018] Laboratorium 4 - Ridge i Lasso
5. [10.04.2018] Laboratorium 5 - Regresja logistyczna
6. [17.04.2018] Laboratorium 6 - Support Vector Machine I
7. [24.04.2018] Laboratorium 7 - Support Vector Machine II
8. [08.05.2018] Kolokwium I
9. [15.05.2018] Laboratorium 8 - Modele probabilistyczne I
10. [22.05.2018] Laboratorium 9 - Szeregi czasowe
11. [29.05.2018] Laboratorium 10 - Drzewa decyzyjne
12. [05.06.2018] Reguły asocjacyjne
13. [12.06.2018] Klasteryzacja
14. [19.06.2018] Kolokwium II

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

sala : TBA