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.

• [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
• [TML] T. Mitchell, Machine Learning, McGraw Hill, 1997.

Uzupełniająco:

• [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

Źródła ćwiczeń:

• [ANG] Andrew Ng Coursera: Machine Learning
• [ZMV] Zdravko Markov, CS570 - Topics in AI: Machine Learning, oraz Machine Learning Programs and Laboratory Experiments in Prolog, 2003.

Kursy on-line:

• Ian Witten, Data Mining with Weka: http://wekamooc.blogspot.com/ https://weka.waikato.ac.nz/explorer
• Andrew Ng, Machine Learning: https://www.coursera.org/course/ml

Varia:

• WEKA
• UCI ML repo
• Zdravko Markov and Daniel T. Larose Data Mining the Web: Uncovering Patterns in Web Content, Structure, and Usage

1. Wstęp: organizacja zajęć, omówienie dziedziny, 2014-03-04
2. Wprowadzenie do ML i DT, przykłady, problemy, pojęcia, Weka [DMW:1], 2014-03-11
3. Modele w uczeniu maszynowym, zadania uczenia, klasyfikacja [FLA:1,2], 2014-03-18
4. Zadania klasyfikacji: atrybuty, modele i ich użycie w Weka [DMW:2] i [FLA:3], 2014-03-25
5. Uczenie pojęć i drzew decyzyjnych [FLA:4,5], 2014-04-01, AIS:Decision Trees
6. Uczenie drzew i reguł decyzyjnych [FLA:6], 2014-04-08
7. Repetytorium: części 1-3 i części 4-6 – oba na podstawie slajdów z podręcznika P. Flacha, 2014-04-15
8. Kolokwium z lab, 2014-04-29 ?
9. Wybrane modele liniowe [FLA:7] regresja liniowa, perceptron, SVM, kernele, części 7-8
10. Wybrane modele odległościowe [FLA:8]: sąsiedztwo, kNN, K-means, dendogramy, części 7-8
11. Wybrane modele probabilistyczne [FCA] 6, 7.8
12. Systemy rekomendujące: Recommender Systems - An Introduction, tutorial
13. Narzędzia do ML
14. ML a IR: Introduction to Information Retrieval, slajdy do kursu
15. Przegląd i podsumowanie
16. Wykład zaproszony

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

1. Laboratorium 1 - Wprowadzenie do Octave (2014-03-05)
2. Laboratorium 2 - Uczenie pojęć (2014-03-12)
3. Laboratorium 3 - Drzewa decyzyjne (2014-03-19)
4. Laboratorium 4 - Regresja Liniowa (2014-03-26)
5. Laboratorium 5 - Regresja Logistyczna (2014-04-02)
6. Laboratorium 6 - Sztuczne sieci neuronowe (2013-04-03, 10)
7. Laboratorium 7 - Sztuczne sieci neuronowe (2013-04-10)
8. Laboratorium 8 - Bias/Variance (2013-04-15)
9. Laboratorium 9 - Support Vector Machines
10. Laboratorium 10 - Klasteryzacja
11. Laboratorium 11 - Systemy rekomendacyjne i detekcja anomalii (15-05-2013)
12. Laboratorium 12 - Sieci Bayesowskie - wprowadzenie (22-05-2013)
13. Laboratorium 13 - Sieci Bayesowskie (29-05-2013)
14. Kolokwium z laboratoriów 8-13 (05-06-2013)

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