podstawy uczenia maszynowego

about:

Wykład, ćwiczenia oraz laboratoria prowadzone w semestrze letnim 2019/20.
Prowadzący: Jarosław Miszczak
Wsparcie: Kamil Książek
Wykład: środy, s. 315, laboratorium budownictwa
Laboratorium: wtorki i środy
Zajęcia zdalne: 17-18.03, 24-25.03, 31.03-01.04, 07-08.04, 21-22.04, 28-29.04, 05-06.05, 12-13.05, 19-20.05, 26-27.05
Prezentacje projektów: 02-03.06
Karta przedmiotu

news:

• 28/02/2020 - Dodany pierwszy wykład.
• 04/03/2020 - Drugi wykład i ćwiczenia.
• 11/03/2020 - Trzeci wykład i przykładowy kod.
• 18/03/2020 - Pierwsze materiały do zajęć zdalnych.
• 25/03/2020 - Wykład zdalny Od regresji do klasyfikacji.
• 01/04/2020 - Ćwiczenia z funkcji logistycznej oraz wykład Maszyny wektorów wspierających (I).
• 08/04/2020 - Wykład zdalny Maszyny wektorów wspierających (II).
• 15/04/2020 - Przerwa świąteczna.
• 22/04/2020 - Wykład zdalny Drzewa decyzyjne.
• 29/04/2020 - Wykład zdalny Zespoły klasyfikatorów i lasy losowe.
• 05/05/2020 - Dodany wykład Bayesowskie podejście do klasyfikacji.
• 10/05/2020 - Dodane ćwiczenia do wykładów 07, 08 i 09.
• 20/05/2020 - Dodany wykład zdalny Analiza skupień.
• 27/05/2020 - Wykład zdalny Redukcja wymiarowości.

wykłady:

Materiały z wykładu mogą być rozpowszechniane zgodnie z zasadami licencji CC BY-NC-SA 3.0 PL.

• Wykład 01 – Wprowadzenie (26/02/2020)
• Wykład 02 – Modele i dane (04/03/2020)
• Ćwiczenia do wykładów 01 i 02 (04/03/2020)
• Wykład 03 – Regresja i regularyzacja (przykłady: pearson-ex.py, normal-equation-ex.py) (11/03/2020)
• Ćwiczenia do wykładu 03 (18/03/2020) [zdalnie]
• Wykład 04 – Od regresji do klasyfikacji (przykłady: knn-regression-ex.py, lr-classification-ex.py) (25/03/2020) [zdalnie]
• Ćwiczenia do wykładu 04 (01/04/2020) [zdalnie]
• Wykład 05 – Maszyny wektorów wspierających (I) (przykład: svm-iris-sv-ex.py) (01/04/2020) [zdalnie]
• Wykład 06 – Maszyny wektorów wspierających (II) (przykład: svm-moons-ex.py) (08/04/2020) [zdalnie]
• Wykład 07 – Drzewa decyzyjne (przykłady: dt-iris-ex.py, dt-svm-iris-ex.py) (22/04/2020) [zdalnie]
• Wykład 08 – Zespoły klasyfikatorów i lasy losowe (przykład: ens-moons-ex.py) (29/04/2020) [zdalnie]
• Wykład 09 – Bayesowskie podejście do klasyfikacji (06/05/2020) [zdalnie]
• Ćwiczenia do wykładów 07 i 08 (13/05/2020) [zdalnie]
• Ćwiczenia do wykładu 09 (13/05/2020) [zdalnie]
• Wykład 10 – Analiza skupień (przykład: clustering-moons-ex.py) (20/05/2020) [zdalnie]
• Wykład 11 – Redukcja wymiarowości (27/05/2020) [zdalnie]

Kilka wykładów o podobnej tematyce:

• Jarosław Żygierewicz, Uczenie maszynowe i sztuczne sieci neuronowe, Zakład Fizyki Biomedycznej, Wydział Fizyki, Uniwersytet Warszawski, 2018/2019 oraz 2019/2020.
• Szymon Bobek, Machine learning, Katedra Automatyki i Robotyki, Akademia Górniczo-Hutnicza w Krakowie, 2019.
• Piotr Szwed, Metody Eksploracji Danych, Katedra Informatyki Stosowanej, Akademia Górniczo-Hutnicza w Krakowie, 2020.
• Jerzy Stefanowski, Uczenie maszynowe i sieci neuronowe, Instytut Informatyki, Politechnika Poznańska.
• Paweł Cichosz, Uczenie się maszyn, Wydział Elektroniki i Technik Informacyjnych, Politechnika Warszawska, 1997/1998.
• Wodzisław Duch, Inteligencja Obliczeniowa, Wydział Fizyki, Astronomii i Informatyki Stosowanej, Uniwersytet Mikołaja Kopernika, 2009.
• Marcin Szczuka, Narzędzia Matematyczne W Eksploracji Danych, Wydział Matematyki, Informatyki i Mechaniki, Uniwersytet Warszawski.
• Agnieszka Nowak-Brzezińska, Sztuczna Inteligencja, Wydział Informatyki i Nauki o Materiałach, Uniwersytet Śląski, 2011.
• Philippe Rigollet, Mathematics of Machine Learning, MIT, 2015.
• Laura Kallmeyer, Machine Learning for NLP, Department of Computational Linguistics, Heinrich-Heine-Universität Düsseldorf, 2016.
• Dan Jurafsky, From Languages to Information, Stanford University, 2020.
• Urszula Libal, Algorytmy rozpoznawania obrazów, Politechnika Wrocławska, 2016.
• Gilbert Strang, 18.065 Matrix Methods in Data Analysis, Signal Processing, and Machine Learning, Massachusetts Institute of Technology, 2018.

Materiały dodatkowe:

• Materiały na kanale StatQuest with Josh Starmer (https://statquest.org/)
  • Seria dotycząca SVM
    • Support Vector Machines, Clearly Explained!!!
    • Support Vector Machines Part 2: The Polynomial Kernel
    • Support Vector Machines Part 3: The Radial (RBF) Kernel
  • Seria dotycząca drzew decyzyjnych i lasów losowych
    • StatQuest: Decision Trees
    • Random Forests Part 1 - Building, Using and Evaluating
    • Random Forests Part 2: Missing data and clustering
    • AdaBoost, Clearly Explained
  • Seria dotycząca klasyfikacji Bayesa
    • Live 2020-03-16!!! Naive Bayes
    • Live 2020-04-06!!! Naive Bayes: Gaussian
  • Klasteryzacja
    • StatQuest: K-means clustering
    • StatQuest: Hierarchical Clustering
  • PCA (Principal Component Analysis)
    • StatQuest: Principal Component Analysis (PCA), Step-by-Step
    • StatQuest: PCA - Practical Tips

main page

© 2005-2020 J.A. Miszczak
Last modification: 27/05/2020