Różnice

Różnice między wybraną wersją a wersją aktualną.

Odnośnik do tego porównania

Both sides previous revision Poprzednia wersja
Nowa wersja
Poprzednia wersja
pl:dydaktyka:ml:start [2017/03/14 16:21]
gjn [Ramowy plan wykładu 2017]
pl:dydaktyka:ml:start [2019/04/09 20:57]
esimon [Ramowy plan laboratorium]
Linia 1: Linia 1:
-====== Machine learning ​2017 ======+====== 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.\\
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 ​2017 ===== +===== Ramowy plan wykładu ​2019 ===== 
-  - 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 +  - [GJN] Wstęp: organizacja zajęć, omówienie dziedziny. Wprowadzenie do ML i DT: przykłady, problemy, pojęcia. Modele w uczeniu maszynowym, zadania uczenia 
-  - Atrybuty i modele, wejście i wyjście w procesie DM [DMW:2,3], 2017-03-07 +  - [GJN] Atrybuty i modele, wejście i wyjście w procesie DM 
-  - Klasyfikacja i jej ewaluacja ​[FLA:2(oraz [[https://​www.coursera.org/​learn/​ml-classification|week 6]]) 2017-03-14 +  - [GJN] Wybrane modele odległościowe [FLA:8]: sąsiedztwokNN, K-means, 
-  - Regresja ​2017-03-21 +  - [SBKRegresja liniowa 
-  - Uczenie pojęć, drzew decyzyjnych i reguł ​[FLA:4,5,6], [DMW:4] 2017-04-28 +  - [SBK] Bias/Variance 
-  - Kolokwium z lab 2017-04-04 +  ​[SBKRidge regression 
-  - Uczenie pojęć, ​drzew decyzyjnych i reguł [FLA:4,5,6], [DMW:42017-04-11 +  ​[GJN/SBK] Klasyfikacja i jej ewaluacja 
-  - Wybrane modele liniowe ​[FLA:7], [DMW:4] regresja liniowa, perceptron ​ [[mlrep3|części 7-8]] 2017-04-25 +  - [SBK] Regresja ​Logistyczna 
-  - Wybrane modele liniowe ​[FLA:7], SVMkernele[[mlrep3|części 7-8]] 2017-05-09 +  - [SBKSVM 
-  - Wybrane modele odległościowe ​[FLA:8]: sąsiedztwokNN, K-means, dendogramy, ​[[mlrep3|części 7-8]] 2017-05-16 +  - [SBK] Wybrane modele probabilistyczne 
-  - Kolokwium + 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 PFlacha]+  - [GJN] Uczenie pojęć, reguł 
-  - Wybrane modele probabilistyczne +  - [SBKDrzewa decyzyjne 
-  - Uczenie zestawów klasyfikatorów (ang//​ensambles//​) +  - [SBKUczenie zestawów klasyfikatorów (ang. ensambles) 
-  - Uczenie ​przyrostoweuczenie ze strumieni danych +  ​- ​[SBKPrzegląd i podsumowanie 
-  - Systemy rekomendujące: ​[[http://www.recommenderbook.net/​|Recommender Systems ​An Introduction]], ​[[http://www.recommenderbook.net/​teaching-material/​tutorial-slides|tutorial]+ 
-  - 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]] +===== Ramowy plan wykładu 2018 ===== 
-  - Przegląd i podsumowanie+  - [06.03.2018Wstęp: organizacja zajęćomówienie dziedziny. Wprowadzenie do o ML i DT: przykładyproblemypojęcia. Modele w uczeniu maszynowym, zadania uczenia 
 +  - [13.03.2018Atrybuty i modelewejście i wyjście w procesie DM 
 +  ​- [20.03.2018Regresja liniowa 
 +  - [27.03.2018Ridge regression ​Lasso 
 +  ​- [10.04.2018Klasyfikacja i jej ewaluacja 
 +  ​- [17.04.2018] Regresja Logistyczna 
 +  ​[24.04.2018SVM 
 +  - [08.05.2018] ​Wybrane modele probabilistyczne 
 +  - [15.05.2018] Uczenie ​pojęćreguł 
 +  - [22.05.2018] Drzewa decyzyjne 
 +  ​- [29.05.2018Uczenie zestawów klasyfikatorów (ang. ensambles) 
 +  - [05.06.2018Wybrane modele odległościowe [FLA:8]: sąsiedztwokNN, 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
pl/dydaktyka/ml/start.txt · ostatnio zmienione: 2019/06/27 15:50 (edycja zewnętrzna)
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