Both sides previous revision
Poprzednia wersja
Nowa wersja
|
Poprzednia wersja
|
pl:dydaktyka:ml:start [2018/05/15 07:04] esimon [Ramowy plan wykładu 2017] |
pl:dydaktyka:ml:start [2018/06/27 13:27] |
====== 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 ===== | |
* [FLA] [[http://www.cs.bris.ac.uk/~flach|Peter Flach]] //[[http://www.cs.bris.ac.uk/~flach/mlbook/|Machine Learning. The Art and Science of Algorithms that Make Sense of Data]]//, Cambridge University Press, 2012. | |
* [DMW] [[http://www.cs.waikato.ac.nz/~ihw|Ian Witten]], [[http://www.cs.waikato.ac.nz/~eibe|Eibe Frank]], [[http://www.linkedin.com/in/mahall|Mark Hall]], //[[http://www.cs.waikato.ac.nz/ml/weka/book.html|Data Mining: | |
Practical Machine Learning Tools and Techniques]]//, 3rd edition, Morgan Kaufmann Publishers, 2011 | |
| |
Uzupełniająco: | |
* [TML] [[http://www.cs.cmu.edu/~tom/|T. Mitchell]], //[[http://www.cs.cmu.edu/~tom/mlbook.html|Machine Learning]]//, McGraw Hill, 1997. | |
* [CMB] [[http://research.microsoft.com/en-us/um/people/cmbishop/|Christopher M. Bishop]] //[[http://research.microsoft.com/en-us/um/people/cmbishop/prml/|Pattern Recognition and Machine Learning]]//, Springer, 2007. | |
* [CIH] [[http://www.ise.pw.edu.pl/~cichosz|Paweł Cichosz]], //[[http://www.ise.pw.edu.pl/~cichosz/SU/|Systemy uczące się]]//, WNT, 2000. | |
* [KDA] [[http://www.cioslab.vcu.edu/index.html|Krzysztof Cios]] et al. //[[http://www.springer.com/computer/database+management+%26+information+retrieval/book/978-0-387-33333-5|Data Mining A Knowledge Discovery Approach]]//, Springer, 2007 [[http://www.cioslab.vcu.edu/Publications/DMBook/DMBook_Materials.htm|slajdy]] | |
* [RSI] [[http://www.recommenderbook.net/|Recommender Systems - An Introduction]], [[http://www.recommenderbook.net/teaching-material/tutorial-slides|tutorial]] | |
* [IIR] [[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]] | |
* [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]]** | |
| |
Inspiracje do ćwiczeń i poszerzania wiedzy: | |
* 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. | |
* [[http://www.cs.waikato.ac.nz/~ihw|Ian Witten]], Data Mining with Weka: [[http://wekamooc.blogspot.com/]] [[https://weka.waikato.ac.nz/explorer]] | |
| |
Varia: | |
* [[http://www.cs.waikato.ac.nz/ml/weka/|WEKA]] | |
* [[https://archive.ics.uci.edu/ml/|UCI ML repo]] | |
* [[http://www.cs.ccsu.edu/~markov/|Zdravko Markov]] and Daniel T. Larose [[http://www.dataminingconsultant.com/DMW.htm|Data Mining the Web: Uncovering Patterns in Web Content, Structure, and Usage]] | |
* [[https://www.lenwood.cc/2014/05/13/12-free-data-mining-books/|14 Free (as in beer) Data Mining Books]] | |
| |
===== Ramowy plan wykładu 2017 ===== | |
- [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 | |
- [29.05.2018] Wybrane modele probabilistyczne | |
- [08.05.2018] Uczenie pojęć, reguł | |
- [15.05.2018] Drzewa decyzyjne | |
- [22.05.2018] Wybrane modele odległościowe [FLA:8]: sąsiedztwo, kNN, K-means, | |
- [05.06.2018] Uczenie zestawów klasyfikatorów (ang. ensambles) | |
- [12.06.2018] Wprowadzenie do Reinforcement learning | |
- [19.06.2018] Przegląd i podsumowanie | |
| |
| |
Slajdy z wykładów: | |
* [[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]] | |
===== Ramowy plan laboratorium ===== | |
Adres serwera: charon.kis.agh.edu.pl | |
| |
- [06.03.2018] [[.:2018lab1|Laboratorium 1]] - Wprowadzenie do środowiska pracy | |
- [13.03.2018] [[.:2018lab2|Laboratorium 2]] - Regresja Liniowa I | |
- [20.03.2018] [[.:2018lab2|Laboratorium 3]] - Regresja Liniowa II | |
- [27.03.2018] [[.:2018lab3|Laboratorium 4]] - Ridge i Lasso | |
- [10.04.2018] [[.:2018lab4|Laboratorium 5]] - Regresja logistyczna | |
- [17.04.2018] [[.:2018lab5|Laboratorium 6]] - Support Vector Machine I | |
- [24.04.2018] [[.:2018lab5|Laboratorium 7]] - Support Vector Machine II | |
- [08.05.2018] Kolokwium I | |
- [15.05.2018] [[.:2018lab6|Laboratorium 8]] - Modele probabilistyczne I | |
- Modele probabilistyczne II | |
- Drzewa decyzyjne | |
- Reguły asocjacyjne | |
- Klasteryzacja | |
- Sieci Neuronowe i Transfer Learning | |
- Kolokwium II | |
===== Egzamin ===== | |
* I Termin: TBA | |
* II Termin: TBA | |
* III Termin: TBA | |
sala : TBA | |
| |