To jest stara wersja strony!
Machine learning 2016
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.
Podręczniki
Uzupełniająco:
Źródła ćwiczeń:
Kursy on-line:
Varia:
Ramowy plan wykładu 2016
Wstęp: organizacja zajęć, omówienie dziedziny
Wprowadzenie do ML i DT: przykłady, problemy, pojęcia. Modele w uczeniu maszynowym, zadania uczenia [FLA:0,1] 2016-03-01
Atrybuty i modele, wejście i wyjście w procesie DM [DMW:2,3], 2016-03-08
Klasyfikacja i jej ewaluacja [FLA:2] 2016-03-22
Kolokwium z lab (Uczenie pojęć) 2016-04-05
Uczenie pojęć, drzew decyzyjnych i reguł [FLA:4,5,6], [DMW:4] 2016-04-12
Wybrane modele liniowe [FLA:7], [DMW:4] regresja liniowa, perceptron, SVM, kernele,
części 7-8 2016-04-19
Wybrane modele odległościowe [FLA:8]: sąsiedztwo, kNN, K-means, dendogramy,
części 7-8
-
Wybrane modele probabilistyczne [FCA]
6,
7.8
-
Narzędzia do ML
-
Przegląd i podsumowanie
Slajdy z wykładów:
Ramowy plan laboratorium
Adres serwera: charon.kis.agh.edu.pl
-
-
-
-
Kolokwium z lab 1-4 - wykład
-
-
-
-
-
Kolokwium z lab 5-9
-
-
-
-
-
Kolokwium z lab 10-14
Egzamin
I Termin: TBA
II Termin: TBA
III Termin: TBA
sala : TBA