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

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

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
• 14 Free (as in beer) Data Mining Books

1. Wstęp: organizacja zajęć, omówienie dziedziny, 2016-03-01
2. Wprowadzenie do ML i DT, przykłady, problemy, pojęcia, Weka [DMW:1], 2016-03-08
3. Modele w uczeniu maszynowym, zadania uczenia, klasyfikacja [FLA:1,2], 2016-03-15
4. Zadania klasyfikacji: atrybuty, modele i ich użycie w Weka [DMW:2,3] i [FLA:3], 2016-03-22
5. Kolokwium z lab,
6. Uczenie pojęć i drzew decyzyjnych i reguł [FLA:4,5,6], [DMW:4],
7. Praktyka realizacji wybranych algorytmów i ewaluacja ich pracy [DMW:5,6],
8. Repetytorium: części 1-3 i części 4-6 – oba na podstawie slajdów z podręcznika P. Flacha
9. Wybrane modele liniowe [FLA:7], [DMW:4] 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

Slajdy z wykładów:

• FLA
• DMW DMW

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

1. Laboratorium 1 - Wprowadzenie do Octave ()
2. Laboratorium 2 - Uczenie pojęć ()
3. Laboratorium 3 - Drzewa decyzyjne
4. Laboratorium 4 - Reguły asocjacyjne
5. Kolokwium z lab 1-4 - wykład
6. Laboratorium 5 - Regresja Liniowa
7. Laboratorium 6 - Regresja Logistyczna
8. Laboratorium 7 - Sztuczne sieci neuronowe
9. Laboratorium 8 - Sztuczne sieci neuronowe
10. Laboratorium 9 - Bias/Variance
11. Kolokwium z lab 5-9
12. Laboratorium 10 - Support Vector Machines
13. Laboratorium 11 - Klasteryzacja
14. Laboratorium 12 - Systemy rekomendacyjne i detekcja anomalii
15. Laboratorium 13 - Sieci Bayesowskie - wprowadzenie
16. Laboratorium 14 - Sieci Bayesowskie
17. Kolokwium z lab 10-14

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

sala : TBA