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 [2018/05/10 08:45]
esimon [Ramowy plan laboratorium]
pl:dydaktyka:ml:start [2019/06/27 15:50] (aktualna)
Linia 1: Linia 1:
-====== Machine learning ​2017 ======+====== 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.\\
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 ​2017 =====+===== Ramowy plan wykładu ​2019 ===== 
 +  - [GJN] Wstęp: organizacja zajęć, omówienie dziedziny. Wprowadzenie do o ML i DT: przykłady, problemy, pojęcia. Modele w uczeniu maszynowym, zadania uczenia 
 +  - [GJN] Atrybuty i modele, wejście i wyjście w procesie DM 
 +  - [GJN] Wybrane modele odległościowe [FLA:8]: sąsiedztwo,​ kNN, K-means, 
 +  - [SBK] Regresja liniowa 
 +  - [SBK] Bias/​Variance 
 +  - [SBK] Ridge regression 
 +  - [GJN/SBK] Klasyfikacja i jej ewaluacja 
 +  - [SBK] Regresja Logistyczna 
 +  - [SBK] SVM 
 +  - [SBK] Wybrane modele probabilistyczne 
 +  - [GJN] Uczenie pojęć, reguł 
 +  - [SBK] Drzewa decyzyjne 
 +  - [SBK] Uczenie zestawów klasyfikatorów (ang. ensambles) 
 +  - [SBK] Przegląd i podsumowanie 
 + 
 +===== Ramowy plan wykładu 2018 =====
   - [06.03.2018] Wstęp: organizacja zajęć, omówienie dziedziny. Wprowadzenie do o ML i DT: przykłady, problemy, pojęcia. Modele w uczeniu maszynowym, zadania uczenia   - [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   - [13.03.2018] Atrybuty i modele, wejście i wyjście w procesie DM
Linia 40: Linia 56:
   - [17.04.2018] Regresja Logistyczna   - [17.04.2018] Regresja Logistyczna
   - [24.04.2018] SVM   - [24.04.2018] SVM
-  - [08.05.2018] Uczenie pojęć, reguł +  - [08.05.2018] Wybrane modele probabilistyczne 
-  - [15.05.2018] Drzewa decyzyjne +  - [15.05.2018] Uczenie pojęć, reguł 
-  - [22.05.2018] Wybrane modele odległościowe [FLA:8]: sąsiedztwo,​ kNN, K-means, +  - [22.05.2018] Drzewa decyzyjne 
-  - [29.05.2018] Wybrane modele probabilistyczne +  - [29.05.2018] Uczenie zestawów klasyfikatorów (ang. ensambles) 
-  - [05.06.2018] Uczenie zestawów klasyfikatorów (ang. ensambles)+  - [05.06.2018] Wybrane modele odległościowe [FLA:8]: sąsiedztwo,​ kNN, K-means,
   - [12.06.2018] Wprowadzenie do Reinforcement learning   - [12.06.2018] Wprowadzenie do Reinforcement learning
   - [19.06.2018] Przegląd i podsumowanie   - [19.06.2018] Przegląd i podsumowanie
Linia 52: Linia 68:
   * [[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
  
-  - [06.03.2018] [[.:​2018lab1|Laboratorium 1]] - Wprowadzenie do środowiska pracy +  - [06.03.2018] [[.:​2018lab1|Laboratorium 1]] - Wprowadzenie do środowiska pracy 
-  - [13.03.2018] [[.:​2018lab2|Laboratorium ​2]] - Regresja Liniowa I +  - [06.03.2018] [[.:​2018lab1|Laboratorium 2]] - Wprowadzenie do środowiska pracy II 
-  - [20.03.2018] [[.:​2018lab2|Laboratorium ​3]] - Regresja Liniowa II +  - [12.06.2018] [[.:​2018lab10|Laboratorium 3]] - Klasteryzacja ​ 
-  - [27.03.2018] [[.:​2018lab3|Laboratorium ​4]] - Ridge i Lasso +  - [13.03.2018] [[.:​2018lab2|Laboratorium ​4]] - Regresja Liniowa I 
-  - [10.04.2018] [[.:​2018lab4|Laboratorium ​5]] - Regresja logistyczna +  - [20.03.2018] [[.:​2018lab2|Laboratorium ​5]] - Regresja Liniowa II 
-  - [17.04.2018] [[.:​2018lab5|Laboratorium ​6]] - Support Vector Machine I +  - [27.03.2018] [[.:​2018lab3|Laboratorium ​6]] - Ridge i Lasso 
-  - [24.04.2018] [[.:​2018lab5|Laboratorium ​7]] - Support Vector Machine II+  - [10.04.2018] [[.:​2018lab4|Laboratorium ​7]] - Regresja logistyczna ​
 +  - [10.04.2018] [[.:​2018lab4|Laboratorium 8]] - Regresja logistyczna II 
 +  - [17.04.2018] [[.:​2018lab5|Laboratorium ​8]] - Support Vector Machine I 
 +  - [24.04.2018] [[.:​2018lab5|Laboratorium ​9]] - Support Vector Machine II
   - [08.05.2018] Kolokwium I   - [08.05.2018] Kolokwium I
-  - [15.05.2018] [[.:​2018lab6|Laboratorium ​8]] - Modele probabilistyczne I +  - [15.05.2018] [[.:​2018lab6|Laboratorium ​10]] - Modele probabilistyczne I 
-  - Modele probabilistyczne II +  - [22.05.2018] [[.:​2018lab7|Laboratorium 11]] - Szeregi czasowe * 
-  - Drzewa decyzyjne +  ​- [29.05.2018] [[.:​2018lab8|Laboratorium 12]] - Drzewa decyzyjne 
-  - Reguły asocjacyjne +  ​- [05.06.2018] [[.:​2018lab9|Laboratorium 13]] - Reguły asocjacyjne ​* 
-  - Klasteryzacja + 
-  - Sieci Neuronowe i Transfer Learning +  - [19.06.2018] ​Kolokwium II
-  - Kolokwium II+
 ===== Egzamin ===== ===== Egzamin =====
   * I Termin: TBA   * I Termin: TBA
pl/dydaktyka/ml/start.1525934747.txt.gz · ostatnio zmienione: 2019/06/27 15:54 (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