Techniki uczenia maszyn 400-IS1-3TUM
Wykład (WYK) Rok akademicki 2020/21

1. Y. S. Abu-Mostafa, M. Magdon-Ismail, H.-T. Lin: Learning from Data: A Short Course. AMLBook, 2012.

2. P. Cichosz: Systemy uczące się. Wydawnictwa Naukowo-Techniczne, 2001, 2007.

3. Frank E., Hall M.A, and Witten I.H: The WEKA Workbench, Online Appendix for

“Data Mining: Practical Machine Learning Tools and Techniques”

Morgan Kaufmann, Fourth Edition, 2016

https://www.cs.waikato.ac.nz/ml/weka/Witten_et_al_2016_appendix.pdf

4. A. Géron: Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow. Hellion, 2020.

5. J. Grus: Data science od podstaw. Analiza danych w Pythonie. Hellion, 2020.

6. T. Mitchell: Machine Learning. McGraw Hill, 1997.

7.F. Provost, T. Fawcett: Analiza danych w biznesie. Sztuka podejmowania skutecznych decyzji. Hellion, 2014.

8. Biblioteki Weka, Scikit-learn, TensorFlow.

9. Pakiety języka R (m.in. rpart, e1071, ReinforcementLearning, RWeka).

10. Pakiety języka Python (m.in. scikit-learn, gym).

WIEDZA

KP6_WG5 - Zna zasady kolekcjonowania i przechowywania danych.

Sposób weryfikacji: pytania/zadania na kolokwium.

KP6_WG9 - Zna podstawowe zagadnienia w dziedzinie sztucznej inteligencji, reprezentacji i przetwarzania wiedzy, komunikacji człowiek-komputer.

Sposób weryfikacji efektów uczenia się w zakresie WIEDZY: pytania/zadania na kolokwiach.

Zaliczenie wykładu odbywa się na podstawie:

K1 - kolokwium ustnego w środku cyklu wykładów (ze współczynnikiem i=0,3),

K2 - kolokwium ustnego po zakończeniu wykładów (ze współczynnikiem. j=0,6)

A - aktywności na zajęciach (ze współczynnikiem. k=0,1).

gdzie K1, K2, A są ocenami "szkolnymi" w przedziale <2, 5>, z przyrostem 0,5

Ocenę końcową wyznacza się za pomocą następującej formuły z uwzględnieniem zaokrąglenia na progach - 0,25 i 0,75 w ramach przedziału całkowitego (np. 3,25; 3,75):

i*K1 + j*K2 + k*A

np. dla K1=3, K2=5, A=4 jest 0,3*3 + 0.6*5 + 0,1*4 =4,3, co daje ocenę końcową 4,5

Forma zaliczenia: zaliczenie w formie zdalnej.

Główne tematy podejmowane na wykładzie (15 godz.) to:

1. Wprowadzenie do uczenia się

Definicja uczenia się, wnioskowanie indukcyjne, rodzaje uczenia się; nadmierne dopasowanie, przykłady zastosowań systemów uczących się.

2. Regresja liniowa

3. Indukcja drzew decyzyjnych

4. Klasyfikatory (Bayesa, SVM)

5. Ocena jakości klasyfikatorów

6. Grupowanie

7. Uczenie się ze wzmocnieniem

8. Zastosowania

Wykład z wykorzystaniem autorskich prezentacji multimedialnych oraz angażowanie studentów do aktywnego udziału w dyskusji podczas wykładu i zadawania pytań