To jest stara wersja strony!
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
Uzupełniająco:
Inspiracje do ćwiczeń i poszerzania wiedzy:
Varia:
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
[08.05.2018] Uczenie pojęć, reguł
[15.05.2018] Drzewa decyzyjne
[22.05.2018] Wybrane modele odległościowe [FLA:8]: sąsiedztwo, kNN, K-means,
[29.05.2018] Wybrane modele probabilistyczne
[05.06.2018] Uczenie zestawów klasyfikatorów (ang. ensambles)
[12.06.2018] Wprowadzenie do Reinforcement learning
[19.06.2018] Przegląd i podsumowanie
Slajdy z wykładów:
Ramowy plan laboratorium
Adres serwera: charon.kis.agh.edu.pl
-
-
-
-
Regresja logistyczna
Support Vector Machine
Kolokwium I
Uczenie Pojęć
Drzewa decyzyjne
Reguły asocjacyjne
Kolokwium II
Klasteryzacja
Modele probabilistyczne
Sieci Neuronowe i Transfer Learning
Kolokwium III
Egzamin
I Termin: TBA
II Termin: TBA
III Termin: TBA
sala : TBA