podstawy uczenia maszynowego

about:

Wykład oraz laboratoria prowadzone w semestrze letnim 2020/21.
Prowadzący: Jarosław Miszczak
Wsparcie: Kamil Książek, Mateusz Żarski
Wykład: środa, godz. 12, Zoom
Laboratorium: wtorek i piątek, MS Teams/Zoom
Karta przedmiotu

news:

• 03/03/2021 - Pierwszy wykład.
• 04/03/2021 - Dodane slajdy z Wykładu 01.
• 16/03/2021 - Slajdy Wykład 02 – Zadania, modele i dane oraz Wykład 02A – ...i dane.
• 18/03/2021 - Slajdy i przykłady z wykładu 03.
• 26/03/2021 - Slajdy, przykłady oraz materiały dodatkowe do wykładu 04.
• 31/03/2021 - Materiały do wykładu 05.
• 08/04/2021 - Materiały do wykładu 06.
• 14/04/2021 - Materiały do wykładu 07.
• 25/04/2021 - Dodane materiały do wykładu 08.
• 04/05/2021 - Dodane materiały do wykładu 09.
• 05/05/2021 - Dodane materiały do wykładu 10. Kolokwium odbędzie się 02.06.
• 19/05/2021 - Wykład Sieci neuronowe.
• 02/06/2021 - Kolokwium.
• 09/06/2021 - Wykład Uczenie ze wzmocnieniem (I).
• 16/06/2021 - Wykład Uczenie ze wzmocnieniem (II).
• 24/06/2021 - Dodany ostatni wykład.

wykłady:

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

• Wykład 01 – Wprowadzenie (03/03/2021)
• Wykład 02 – Zadania, modele, dane (10/03/2021)
• Wykład 02A – ...i dane, uzupełnienie wykładu 02 (16/03/2021)
• Wykład 03 – Regresja i regularyzacja (przykłady: pearson-ex.py, normal-equation-ex.py) (17/03/2021)
• Wykład 04 – Od regresji do klasyfikacji (przykłady: knn-regression-ex.py, lr-classification-ex.py) (24/03/2021)
• Wykład 05 – Maszyny wektorów wspierających (przykłady: svm-iris-sv-ex.py, svm-moons-ex.py) (31/04/2021)
• Wykład 06 – Drzewa decyzyjne i lasy losowe (przykłady: dt-iris-ex.py, dt-svm-iris-ex.py, ens-moons-ex.py) (07/04/2021)
• Wykład 07 – Bayesowskie podejście do klasyfikacji (14/04/2021)
• Wykład 08 – Metody oceny klasyfikatorów (przykłady: orange-iris-roc-ex.ows oraz orange-kickstarter-roc-ex.ows) (21/04/2021)
• Wykład 09 – Analiza skupień (przykłady: clustering-moons-ex.py, orange-iris-clustering-ex.ows, orange-painted-clustering-ex.ows) (28/04/2021)
• Wykład 10 – Redukcja wymiarowości (przykłady: pca-mnist-ex.py) (05/05/2021)
• Wykład 11 – Sieci neuronowe (19/05/2021)
• Wykład 12 – Uczenie sieci neuronowych (przykłady: Perceptron-NAND-XOR.nb oraz orange-painted-som-ex.ows) (26/05/2021)
• Wykład 13 – Uczenie ze wzmocnieniem (I) (09/06/2021)
• Wykład 14 – Uczenie ze wzmocnieniem (II) (przykład: frozen-lake-demo.py) (16/06/2021)
• Wykład 15 – Uczenie maszynowe i mechanika kwantowa (23/06/2021)

Podobne wykłady i materiały dodatkowe:

• Zoom fatigue? Four reasons video calls are exhausting, and how to prevent it.
• Regresja liniowa (wykład 03)
• Jarosław Żygierewicz, Wstęp, regresja liniowa i metoda najmniejszych kwadratów, część wykładu Uczenie maszynowe i sztuczne sieci neuronowe, Zakład Fizyki Biomedycznej, Wydział Fizyki, Uniwersytet Warszawski, 2018/2019 oraz 2019/2020.
• Tyler Vigen, Spurious Correlations.
• Regresja liniowa, czyli jak najlepiej połączyć kropeczki na Blog Statystyczny (fb.com/statystycznypl).
• Regresja logistyczna (wykład 04)
• StatQuest: Logistic Regression, Logistic Regression Details Pt1: Coefficients, Logistic Regression Details Pt 2: Maximum Likelihood oraz Logistic Regression Details Pt 3: R-squared and p-value na kanale StatQuest with Josh Starmer.
• SVM (wykład 05)
• Support Vector Machines, Clearly Explained!!!
• Support Vector Machines Part 2: The Polynomial Kernel
• Support Vector Machines Part 3: The Radial (RBF) Kernel
• Drzewa decyzyjne i lasy losowe (wykład 06)
• StatQuest: Decision Trees
• Random Forests Part 1 - Building, Using and Evaluating
• Random Forests Part 2: Missing data and clustering
• AdaBoost, Clearly Explained
• Ocena klasyfikatorów (wykład 08)
• Hipotezy statystyczne i błędy z nimi związane na Blog Statystyczny
• Jerzy Stefanowski, Metody oceny eksperymentalnej klasyfikatorów, część wykładu Uczenie maszynowe, Instytut Informatyki, Politechnika Poznańska, 2019/2020.
• ROC and AUC, Clearly Explained! na kanale StatQuest
• Orange – Open source machine learning and data visualization.
• Sieci neuronowe (wykłady 11 i 12)
• Wykład 2 - Wstęp o sieciach neuronowych, sieci neuronowe liniowe oraz Wykład 3 Perceptron Rosenblatta, część wykładu Uczenie maszynowe i sztuczne sieci neuronowe, Zakład Fizyki Biomedycznej, Wydział Fizyki, Uniwersytet Warszawski, 2018/2019 oraz 2019/2020.
• The McCulloch-Pitts Artificial Neuron Model - Theory and Implementation
• Professor’s perceptron paved the way for AI --- 60 years too soon
• Training a 3-node neural network is NP-complete (plik PDF)
• The Neural Network Zoo
• Uczenie ze wzmocnieniem (wykłady 13 i 14)
• AlphaGo - The Movie | Full Documentary
• An introduction to Reinforcement Learning na kanale Arxiv Insights
• MIT 6.S091: Introduction to Deep Reinforcement Learning (Deep RL)
• Uczenie maszynowe i mechanika kwantowa (wykłąd 15)
• Miscrosoft Azure: What is quantum computing?
• S. Arronson, What Makes Quantum Computing So Hard to Explain?
• TensorFlow Quantum - kwantowa wtyczka do TensorFlow
• J. Biamonte, P. Wittek, N. Pancotti, P. Rebentrost, N. Wiebe, S. Lloyd, Quantum Machine Learning
• V. Dunjko, H.J. Briegel, Machine learning & artificial intelligence in the quantum domain
• G. Carleo, I. Cirac, K. Cranmer, L. Daudet, M. Schuld, N. Tishby, L. Vogt-Maranto, L. Zdeborová, Machine learning and the physical sciences
• K. Bharti, T. Haug, V. Vedral, L.-C. Kwek, Machine Learning meets Quantum Foundations: A Brief Survey
• Walcz o SuperPozycję! - Kwantowe Wyzwanie Banku BNP Paribas organizowane we współpracy z IITiS PAN, CFT PAN, IBM Polska, QPoland oraz QuantumAI

main page

© 2005-2021 J.A. Miszczak
Last modification: 30/11/2023