Machine learning 2019

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 2019

  1. [GJN] Wstęp: organizacja zajęć, omówienie dziedziny. Wprowadzenie do o ML i DT: przykłady, problemy, pojęcia. Modele w uczeniu maszynowym, zadania uczenia
  2. [GJN] Atrybuty i modele, wejście i wyjście w procesie DM
  3. [GJN] Wybrane modele odległościowe [FLA:8]: sąsiedztwo, kNN, K-means,
  4. [SBK] Regresja liniowa
  5. [SBK] Bias/Variance
  6. [SBK] Ridge regression
  7. [GJN/SBK] Klasyfikacja i jej ewaluacja
  8. [SBK] Regresja Logistyczna
  9. [SBK] SVM
  10. [SBK] Wybrane modele probabilistyczne
  11. [GJN] Uczenie pojęć, reguł
  12. [SBK] Drzewa decyzyjne
  13. [SBK] Uczenie zestawów klasyfikatorów (ang. ensambles)
  14. [SBK] Przegląd i podsumowanie

Ramowy plan wykładu 2018

  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:

Ramowy plan laboratorium

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

  1. [06.03.2018] Laboratorium 1 - Wprowadzenie do środowiska pracy I
  2. [06.03.2018] Laboratorium 2 - Wprowadzenie do środowiska pracy II
  3. [12.06.2018] Laboratorium 3 - Klasteryzacja
  4. [13.03.2018] Laboratorium 4 - Regresja Liniowa I
  5. [20.03.2018] Laboratorium 5 - Regresja Liniowa II
  6. [27.03.2018] Laboratorium 6 - Ridge i Lasso
  7. [10.04.2018] Laboratorium 7 - Regresja logistyczna I
  8. [10.04.2018] Laboratorium 8 - Regresja logistyczna II
  9. [17.04.2018] Laboratorium 8 - Support Vector Machine I
  10. [24.04.2018] Laboratorium 9 - Support Vector Machine II
  11. [08.05.2018] Kolokwium I
  12. [15.05.2018] Laboratorium 10 - Modele probabilistyczne I
  13. [22.05.2018] Laboratorium 11 - Szeregi czasowe *
  14. [29.05.2018] Laboratorium 12 - Drzewa decyzyjne
  15. [05.06.2018] Laboratorium 13 - Reguły asocjacyjne *
  1. [19.06.2018] Kolokwium II

Egzamin

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

sala : TBA

pl/dydaktyka/ml/start.txt · ostatnio zmienione: 2019/04/09 18:57 przez esimon
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