Uczenie Maszynowe

Wykład prowadzi dr hab. inż. Jerzy Stefanowski (karta ECTS). Wszelkie sugestie do przedmiotu i poszczególnych zajęć możesz zgłaszać tutaj.

Tematyka zajęć

  1. Ankieta wstępna i przygotowanie się na za tydzień: przestrzenie wersji, patrz punkt 1
  2. Przestrzenie wersji
  3. Indukcja drzew decyzyjnych metodami ID3, C4, C4.5 – obliczenia
  4. Generowanie drzew decyzyjnych
  5. Generowanie reguł decyzyjnych   , termin (3. i 4.): 10.IV
  6. Podstawy Weki i wybór danych do studium przypadku: [1], [2], [3], [4], inne własne
  7. Klasyfikatory Bayes'owskie
  8. Klasyfikatory k-NN i IBL
  9. Przestrzeń atrybutów i jej transformacje
  10. Uczenie nadzorowane sztucznych sieci neuronowych
  11. Uczenie nadzorowane sztucznych sieci neuronowych – zagadnienia zaawansowane   , termin: 22/29.V (nie trzeba wysyłać)
  12. Topologie rekurencyjne; ewolucyjne dostrajanie topologii i wag; sztuczne sieci neuronowe czasu rzeczywistego , termin (9., 10. i 11.): 12.VI
  13. Uczenie nienadzorowane sztucznych sieci neuronowych
  14. Studium przypadku – analiza wybranego zbioru danych. , termin: 27.VI
    Szczegółowy opis wybranego zbioru danych i jego charakterystyki; przykłady przypadków ze zbioru danych i interpretacja atrybutów. Co najmniej trzy algorytmy na osobę. Samodzielna analiza własności, które autor uzna za konieczne (podstawowe) do przebadania w świetle nabytej wiedzy dotyczącej uczenia maszynowego. Interpretacja (o ile jest możliwa) wyindukowanej przez algorytmy wiedzy. Zakres analizy musi być oryginalny, tzn. nie może pokrywać się z innymi pracami znanymi autorowi. Studium ma mieć postać raportu (pdf) z wynikami (wartości, tabele, wykresy...) i wnioskami z nich płynącymi. Nie trzeba zamieszczać w raporcie fragmentów kodu, ale trzeba dokładnie napisać jakich narzędzi/pakietów/źródeł używano, oczywiście szczegółowo jakich algorytmów i parametrów.

W okolicach zajęć oznaczonych przeprowadzony będzie krótki sprawdzian/kartkówka z zakresu wcześniejszych laboratoriów i wykładów.

Sprawozdania

  • Do zaliczenia ćwiczeń oznaczonych niezbędne jest przygotowanie sprawozdania.
  • Sprawozdania proszę przygotowywać w grupach jedno- lub dwuosobowych.
  • Sprawozdania: pdf, polecam LaTeX/LyX i matplotlib lub gnuplot [szablon]. Po jednym punkcie na każde zadanie.
  • Przy ocenianiu sprawozdań premiowana jest
    • trafność i poprawność spostrzeżeń i wniosków,
    • odpowiednia prezentacja wyników (wykresy, tabele),
    • umiejętność wykorzystania terminologii uczenia maszynowego,
    • zwięzłość,
    • estetyka.
  • Opóźnienie w oddaniu sprawozdania obniza jego ocenę (ocena−=1 za każdy rozpoczęty tydzień).
  • Przed wysłaniem sprawozdania upewnij się, że:
    • Podałeś pochodzenie źródłowe wszystkich cytowanych w sprawozdaniu fragmentów i wykorzystanych materiałów (literatura)
    • Sprawdziłeś piswnię tekstu (spell-check)
    • Wykresy (i w miarę możliwości rysunki) są wektorowe (pdf, ps, svg itp.)
    • Zatytułowałeś mail tak:   [UM] sprawozdanie 1, Janek Kowalski & Marcin Nowak

Zaliczenie

Podstawą wystawienia oceny zaliczającej zajęcia laboratoryjne jest średnia z ocen za sprawozdania i ocen z kartkówek, które trzeba wszystkie zaliczyć. Jedna nieobecność nieusprawiedliwiona nie wpływa na ocenę końcową, ale każda kolejna nieusprawiedliwiona obniża ocenę o 0,5.