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 [2016/04/14 08:15]
esimon [Ramowy plan laboratorium]
pl:dydaktyka:ml:start [2019/03/12 11:13] (aktualna)
esimon [Ramowy plan laboratorium]
Linia 1: Linia 1:
-====== Machine learning ​2016 ======+====== 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.\\
 Kurs opiera się na usystematyzowanym przeglądzie podstawowych metod i algorytmów z poszczególnych grup. 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 ===== ===== Podręczniki =====
Linia 18: Linia 19:
   * [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]]**   * [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]]**
  
-Źródła ​ćwiczeń:​ +Inspiracje do ćwiczeń ​i poszerzania wiedzy
-  * [ANG] [[http://​www.cs.stanford.edu/​people/​ang/​|Andrew Ng]] [[https://​www.coursera.org/​course/​ml|Coursera:​ Machine Learning]]+  * 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.   * [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.
- 
-Kursy on-line: 
   * [[http://​www.cs.waikato.ac.nz/​~ihw|Ian Witten]], Data Mining with Weka: [[http://​wekamooc.blogspot.com/​]] [[https://​weka.waikato.ac.nz/​explorer]]   * [[http://​www.cs.waikato.ac.nz/​~ihw|Ian Witten]], Data Mining with Weka: [[http://​wekamooc.blogspot.com/​]] [[https://​weka.waikato.ac.nz/​explorer]]
-  * [[http://​www.cs.stanford.edu/​people/​ang/​|Andrew Ng]], Machine Learning: [[https://​www.coursera.org/​course/​ml]] 
  
 Varia: Varia:
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 ​2016 ===== +===== Ramowy plan wykładu ​2019 ===== 
-  - Wstęp: organizacja zajęć, omówienie dziedziny +  - [GJN] Wstęp: organizacja zajęć, omówienie dziedzinyWprowadzenie do ML i DT: przykłady, problemy, pojęcia. Modele w uczeniu maszynowym, zadania uczenia 
-  - Wprowadzenie do ML i DT: przykłady, problemy, pojęcia. Modele w uczeniu maszynowym, zadania uczenia ​[FLA:​0,​1] ​ 2016-03-01 +  - [GJN] Atrybuty i modele, wejście i wyjście w procesie DM 
-  - Atrybuty i modele, wejście i wyjście w procesie DM [DMW:2,3], 2016-03-08 +  - [GJN] Wybrane modele odległościowe [FLA:8]: sąsiedztwokNN, K-means, 
-  - Klasyfikacja i jej ewaluacja [FLA:22016-03-22 +  ​[SBK] Regresja liniowa 
-  - Kolokwium z lab (Uczenie pojęć) 2016-04-05 +  - [SBK] Bias/​Variance 
-  - Uczenie pojęć, ​drzew decyzyjnych i reguł [FLA:4,5,6][DMW:42016-04-12 +  - [SBK] Ridge regression 
-  - Wybrane modele liniowe ​[FLA:7], [DMW:4] regresja liniowa, perceptron, SVM, kernele, [[mlrep3|części 7-8]] 2016-04-19 +  - [GJN/​SBK] ​Klasyfikacja i jej ewaluacja 
-  - Wybrane modele odległościowe ​[FLA:8]: sąsiedztwokNNK-meansdendogramy, [[mlrep3|części 7-8]] +  - [SBKRegresja Logistyczna 
-  - 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]] 2016-04-26 +  ​[SBK] SVM 
-  - Wybrane modele probabilistyczne ​[FCA] [[http://​artint.info/​html/​ArtInt_138.html|6]], [[http://​artint.info/​html/​ArtInt_196.html|7.8]+  - [SBK] Wybrane modele probabilistyczne 
-  - Systemy rekomendujące: ​[[http://www.recommenderbook.net/​|Recommender Systems - An Introduction]], [[http://www.recommenderbook.net/​teaching-material/​tutorial-slides|tutorial]+  - [GJN] Uczenie pojęć, reguł 
-  - Narzędzia do ML +  - [SBKDrzewa decyzyjne 
-  - 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]+  - [SBKUczenie zestawów klasyfikatorów (ang. ensambles) 
-  - Przegląd i podsumowanie+  - [SBKPrzegląd i podsumowanie 
 + 
 +===== Ramowy plan wykładu 2018 ===== 
 +  - [06.03.2018Wstęporganizacja zajęćomówienie dziedziny. Wprowadzenie do o ML i DT: przykładyproblemypojęcia. Modele w uczeniu maszynowym, zadania uczenia 
 +  - [13.03.2018Atrybuty ​modele, wejście i wyjście w procesie DM 
 +  ​[20.03.2018Regresja liniowa 
 +  ​- [27.03.2018] Ridge regression i Lasso 
 +  - [10.04.2018] Klasyfikacja i jej ewaluacja 
 +  ​[17.04.2018Regresja Logistyczna 
 +  - [24.04.2018SVM 
 +  - [08.05.2018Wybrane modele probabilistyczne 
 +  - [15.05.2018Uczenie pojęćreguł 
 +  - [22.05.2018Drzewa decyzyjne 
 +  - [29.05.2018] Uczenie zestawów klasyfikatorów (ang. ensambles) 
 +  - [05.06.2018Wybrane modele odległościowe [FLA:8]: sąsiedztwokNN, K-means, 
 +  - [12.06.2018Wprowadzenie 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 
-  - [[.:lab6|Laboratorium 7]] - Sztuczne sieci neuronowe ​ +  - [17.04.2018] ​[[.:2018lab5|Laboratorium 8]] - Support Vector Machine I 
-  - [[.:2016lab6|Laboratorium 8]] - Transfer Learning +  - [24.04.2018] ​[[.:2018lab5|Laboratorium 9]] - Support Vector Machine II 
-  - [[.:lab8|Laboratorium 9]] - Bias/​Variance ​ +  - [08.05.2018] ​Kolokwium ​I 
-  - **Kolokwium ​z lab 5-9**  +  - [15.05.2018] ​[[.:2018lab6|Laboratorium 10]] - Modele probabilistyczne I 
-  - [[.:lab9|Laboratorium 10]] - Support Vector Machines ​ +  - [22.05.2018] ​[[.:2018lab7|Laboratorium 11]] - Szeregi czasowe * 
-  - [[.:lab10|Laboratorium 11]] - Klasteryzacja ​ +  - [29.05.2018] ​[[.:2018lab8|Laboratorium 12]] - Drzewa decyzyjne 
-  - [[.:lab11|Laboratorium 12]] - Systemy rekomendacyjne i detekcja anomalii ​ +  - [05.06.2018] [[.:2018lab9|Laboratorium ​13]] - Reguły asocjacyjne ​*
-  - [[.:​lab12|Laboratorium 13]] - Sieci Bayesowskie - wprowadzenie  +
-  - [[.: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.1460621757.txt.gz · ostatnio zmienione: 2017/07/16 23:25 (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