Projekt Eksploracji Danych

Aktualności

Cele przedmiotu:

Zastosować metody eksploracji danych do rzeczywistych danych

Dodatkowa wiedza: Wybrane algorytmy data mining oraz uwagi nt. konstruowania systemów inteligentnych w zastosowaniach, w szczególności

• Proces odkrywania wiedzy z danych
• Przetwarzanie wstępne danych
• Uwzględnianie trudnych charakterystyk rozkładu przykładów
• Metody dla złożonych i zmiennych czasowo danych

Przebieg zajęć

Miejsce i czas

• Wykład, poniedziałek 13:30, obecnie używamy systemu PP emeeting.put.poznan.pl / link w systatemi ekursy
• Spotkanie projektowe wg. harmonogramu / p. mgr K.Miazga
• Konsultacja (JS), emailowo lub online w okresie zamknięcia uczelni / odwołane poprzednie środa 12:00-13:15, pokoj 8 parter części biurowej Inst. Informatyki w CW

Wykłady - forma i zakres

• Przygotowane wykłady
• Zaproszone wykłady - obecnie zawieszone
• Prezentacje studenckie

Materiały wykładowe (modyfikowane z 2020)

Materiały uzupełniające

1. Wykład nt. procesu odkrywania wiedzy i eksploracji danych
• U.Fayyad, G. Piatetsky-Shapiro: From Data Mining to Knowledge Discovery in Databases. AI Magazine. Plik , Podstawowe pojęcia procesu KDD
• Oded Maimon, Lior Rokach: Introduction to knowledge discovery in databases
2. Wykład nt. selekcji cech
• Artykuł przeglądowy 1: Kumar V. Minz. S: Feature selection: A literature review. Smart Computing Review, 2014.
• Artykuł przeglądowy 2: Li J. et al.: Feature selection. A data perspective. ACM Computing Surveys, 2010.


3. Wykład nt. klasyfikacji niezbalansowanych danych
• Artykuł przeglądowy 1: A Survey of Predictive Modelling under Imbalanced Distributions, Paula Branco, Luis Torgo, and Rita Ribeiro, 2015.
• Artykuł przeglądowy 2: Learning from Imbalanced Data, Haibo He and Edwardo Garcia, 2009.
• Artykuł przeglądowy 3: Learning From Imbalanced Data: Open Challenges And Future Directions, Bartosz Krawczyk, 2016.
• Artykuł przeglądowy o źródłach trudności w niezbalansowaniu klas Jerzy Stefanowski: Dealing with Data Difficulty Factors while Learning from Imbalanced Data. 2016
• Artykuł nt. Cost sensitive learning Cost-Sensitive Learning and the Class Imbalance Problem. Charles X. Ling, Victor S. Sheng.
• Propozycja algorytmu indukcji reguł dla danych niezbalansowanych - Napierala K., Stefanowski I. Atykuł BRACID: a comprehensive approach to learning rules from imbalanced data w JIIS
• Blog: Machinelearningmastery nt. resources fro imbalanced classfiiers


4. Wykład nt. częściowo nadzorowanego uczenia się / semi-supervised learning
• Artykuł przeglądowy 1: J.Engelen, H.Hoos: A survey on semi-supervised learning. Machine learning 2020.
• Artykuł przeglądowy 2: Xiaojin Zhu: Semi-Supervised Learning Literature Survey.
• Semi-Supervised Learning for Non-Experts Jerry Zhu's strona z informacjami o SSL + lista oprogramowania
• wykład N.Balcan podczas kursu Machine learning odszukaj na liście
• Blog: Semi-supervised Classification: An Insight into Self-Labeling Approaches.
• Lista linków do oprogramowania


5. Wykład nt. szeregów czasowych oraz prognozowania
• Informacje przeglądowe Materiały szkoleniowe Statsoft
• Internetowy podrecznik Forecasting: principle and practice, 2nd edition, Otexts [w j. ang.]
• Notaki Małgorzata Doman UE Poznan nt modelowania i analizy szeregów czasowych


• Wykład teoretyczny M. Zhang (U Pitt): o podstawach matematycznych analizy szeregów czasowych z modelami AR, MA, ARMA, ARIMA [w j. ang.]
• Wykład teoretyczny J.Mielniczyk (IPI PAN): o podstawach matematycznych analizy szeregów czasowych oraz dalsza część


6. Wykład nt. klasyfikacji strumieni danych
• Wares S., Isaacs J., Elyan E. Data stream mining: metods and challenges for handling concept drift otwarty artykul w SN Appl. Scie (2019) [j. ang]
• Georg Krempl et al. Open Challenges for Data Stream Mining Research; artykuł przeglądowy [j.ang]
• M. Gaber et al. Mining Data Streams: A Review ; artykuł przeglądowy [ang]


• MOA Software for data streams except links to software, this WWW contains many teaching materials. [j.ang]
• Bifet A. et al MOA: Massive Online Analysis Artykuł przeglądowy w Journal of Machine Learning Research 11 ( [j.ang]


7. Wykład nt. wyjaśnialności predykcji klasyfikatorów
• Molnar C. Interpretable Machine Learning otwarta ksiązka A Guide for Making Black Box Models Explainable. [j. ang]
• Lundberg S., Lee S. A unified approach to interpreting model prediction; artykuł wprowadzający metodę SHAP [j.ang]
• Ribeiro M. et al. "Why Should I Trust You?": Explaining the Predictions of Any Classifier ; artykuł wprowadzający metodę LIME [ang]


• Blog Dibia V. ML Interpretability: LIME and SHAP in prose and code Prosto wprow. do LIME i SHAP [j.ang]
• Holizinger Andreas UGratz Mini Course From Data Science to Interpretable AI [j.ang]
• Stefanowski J. Evaluation of Interestingness and Interaction of Conditions in Discovered Rules zaproszony wykład z workshopu MLLS at ECMLPKDD 2016 Riva del Garda - więcej o podstawach matem. indeksu Shapley value i wykorzystania go do oceny reguł odkrywanych z danych
8. Wykład podsumowujący
• Ashmore R. et al. Assuring the Machine Learning Lifecycle: Desiderata, Methods, and Challenges Artykuł przeglądowy nt. Zapewniania bezpieczeństwa i poprawności systemów ML [j. ang]
• Blog deepsense.ai ML in manufacturing applications; blog omawiający zastosowania ML i DM w przemyśle wytwórczym [j.ang]
• Morley J et al. From What to How: An Initial Review of Publicly Available AI Ethics Tools, Methods and Research to Translate Principles into Practices ; artykuł nt. sposobów uwzględniania aspektów etycznych AI [ang]
• Blog Rise of the ML Engineer Dyskusja nt. Oczekiwań wobec nowych pozycji zawodowych [j.ang]
• Blog Rise of the ML Engineer Dyskusja nt. Specyfiki zawodów ML Engineer lub Data Scientist [j.ang]

Wybrane książki nt. eksploracji danych

• Odkrywanie wiedzy z danych, Daniel Larose ( polskie tłumaczenie), PWN, Warszawa, 2006 = Also available in an original US version.
• Data Mining and Analysis: Fundamental Concepts and Algorithms, Mohammed J. Zaki, Wagner Meira Jr [printed version by Cambridge Press, see also the authors' web page of the book for predraft]
• Data Mining: Concepts and Techniques, Jiawei Han, Micheline Kamber, Jian Pei, Morgan Kaufmann - 3 wydanie