====== Uczenie maszynowe i głębokie uczenie ======
===== Cele kursu =====
Głównym celem kursu jest wprowadzenie do najnowszych technik stosowanych w wyjaśnianiu decyzji algorytmów uczenia maszynowego. Kurs obejmuje wszystkie rodzaje technik wyjaśniania dla różnych typów modeli uczenia maszynowego. Wykłady będą uzupełnione ćwiczeniami praktycznymi w języku programowania Python, realizowanymi przez studentów podczas zajęć laboratoryjnych.

===== Podręczniki =====
  * [FLA] [[http://www.cs.bris.ac.uk/~flach|Peter Flach]] //[[http://www.cs.bris.ac.uk/~flach/mlbook/|Machine Learning. The Art and Science of Algorithms that Make Sense of Data]]//, Cambridge University Press, 2012.
  * [DMW] [[http://www.cs.waikato.ac.nz/~ihw|Ian Witten]], [[http://www.cs.waikato.ac.nz/~eibe|Eibe Frank]], [[http://www.linkedin.com/in/mahall|Mark Hall]], //[[http://www.cs.waikato.ac.nz/ml/weka/book.html|Data Mining:
Practical Machine Learning Tools and Techniques]]//, 3rd edition, Morgan Kaufmann Publishers, 2011

Uzupełniająco:
  * [TML] [[http://www.cs.cmu.edu/~tom/|T. Mitchell]], //[[http://www.cs.cmu.edu/~tom/mlbook.html|Machine Learning]]//, McGraw Hill, 1997.
  * [CMB] [[http://research.microsoft.com/en-us/um/people/cmbishop/|Christopher M. Bishop]] //[[http://research.microsoft.com/en-us/um/people/cmbishop/prml/|Pattern Recognition and Machine Learning]]//, Springer, 2007.
  * [CIH] [[http://www.ise.pw.edu.pl/~cichosz|Paweł Cichosz]], //[[http://www.ise.pw.edu.pl/~cichosz/SU/|Systemy uczące się]]//, WNT, 2000.
  * [KDA] [[http://www.cioslab.vcu.edu/index.html|Krzysztof Cios]] et al. //[[http://www.springer.com/computer/database+management+%26+information+retrieval/book/978-0-387-33333-5|Data Mining A Knowledge Discovery Approach]]//, Springer, 2007 [[http://www.cioslab.vcu.edu/Publications/DMBook/DMBook_Materials.htm|slajdy]]
  * [RSI] [[http://www.recommenderbook.net/|Recommender Systems - An Introduction]], [[http://www.recommenderbook.net/teaching-material/tutorial-slides|tutorial]]
  * [IIR] [[http://nlp.stanford.edu/IR-book/html/htmledition/irbook.html|Introduction to Information Retrieval]], [[http://www.dcs.bbk.ac.uk/~dell/teaching/ir/|slajdy do kursu]]
  * [FCA] [[http://www.cs.ubc.ca/~poole/|D. Poole]], [[http://www.cs.ubc.ca/~mack|A. Mackworth]], //[[http://artint.info|Artificial Intelligence: Foundations of Computational Agents]]//, Cambridge University Press, 2010, **[[http://artint.info/html/ArtInt.html|ONLINE]]**

Inspiracje do ćwiczeń i poszerzania wiedzy:
  * Coursera: [[https://www.coursera.org/specializations/machine-learning|Machine learning specialization]]
  * Coursera: [[http://www.cs.stanford.edu/people/ang/|Andrew Ng]] [[https://www.coursera.org/course/ml|Coursera: Machine Learning]]
  * Coursera: [[https://www.coursera.org/specializations/jhu-data-science|Data Science specialization]]
  * [ZMV] [[http://www.cs.ccsu.edu/~markov/|Zdravko Markov]], //[[http://www.cs.ccsu.edu/~markov/ccsu_courses/MachineLearning.html|CS570 - Topics in AI: Machine Learning]]//, oraz //[[http://www.cs.ccsu.edu/~markov/ccsu_courses/mlprograms/|Machine Learning Programs and Laboratory Experiments in Prolog]]//, 2003.
  * [[http://www.cs.waikato.ac.nz/~ihw|Ian Witten]], Data Mining with Weka: [[http://wekamooc.blogspot.com/]] [[https://weka.waikato.ac.nz/explorer]]

Varia:
  * [[http://www.cs.waikato.ac.nz/ml/weka/|WEKA]]
  * [[https://archive.ics.uci.edu/ml/|UCI ML repo]]
  * [[http://www.cs.ccsu.edu/~markov/|Zdravko Markov]] and Daniel T. Larose [[http://www.dataminingconsultant.com/DMW.htm|Data Mining the Web: Uncovering Patterns in Web Content, Structure, and Usage]]
  * [[https://www.lenwood.cc/2014/05/13/12-free-data-mining-books/|14 Free (as in beer) Data Mining Books]]

===== Ramowy plan wykładu=====
  - **[07/14.10.2025]**[[https://ujchmura-my.sharepoint.com/:b:/g/personal/szymon_bobek_uj_edu_pl/EY7yJPyvgzBPtdBzJHX1wGYBzgI5n462tEWlYwNSUXL8-Q?e=Tqcsmr| Atrybuty i modele, wejście i wyjście w procesie DM/ML]]
  - **[22.10.2025]** [[https://ujchmura-my.sharepoint.com/:b:/g/personal/szymon_bobek_uj_edu_pl/EY7mwCOac7hPiwRS7dIO8rMBfSKHHvrX9J9b2-sRXgke-g?e=yPHxiJ|Regresja liniowa]]
  - Bias/Variance
  - Ridge regression
  - Klasyfikacja i jej ewaluacja
  - Regresja Logistyczna
  - SVM
  - Wybrane modele probabilistyczne
  - Drzewa decyzyjne
  - Uczenie zespołów klasyfikatorów (ang. ensemble)
  - Explainable AI
  - Głębokie sieci neuronowe
  - Deep learning w praktycznych zastosowaniach


===== Ramowy plan laboratorium =====


  - [[.:lab1| Laboratorium 1]] -- Wprowadzenie do środowiska pracy
  - [[.:lab2| Laboratorium 2]] -- GoogleColab, Pandas i Numpy
  - [[.:lab3| Laboratorium 3]] -- Transformacje i wizualizacje danych 
  - [[.:lab4| Laboratorium 4]] -- Regresja, Szeregi czasowe
  - [[.:lab5| Laboratorium 4]] -- Klasyfikacja
  - [[.:lab6| Laboratorium 5]] -- Podstawy przetwarzania tekstu
  - [[.:lab7| Laboratorium 6]] -- Zespoły klasyfikatorów: Bagging, Boosting
  - [[.:lab8| Laboratorium 7]] -- Uczenie przyrostowe
  - [TEST]
  - [[.:lab9| Laboratorium 8]] -- Sieci neuronowe
  - [[.:lab10| Laboratorium 9]] -- Różne architektury sieci głębokich
  - [[.:lab11| Laboratorium 10]] -- Deep learning w praktycznych zastosowaniach
  - [[.:lab12| Laboratorium 11]] -- Explainable AI
  - [[.:lab13| Laboratorium 12]] -- Systemy rekomendujące
  - [TEST]

===== Zaliczenie =====

100 pkt to 100% punktów za laboratoria. ocena składa się z:
  * 2x50 pkt za testy sprawdzające wiedzę z materiału omawianego podczas laboratoriów.
  * po 1 pkt za aktywność podczas zajęć

===== Oceny =====

  * >= 90 pkt – bdb
  * >= 80 pkt – db+
  * >= 70 pkt – db
  * >= 60 pkt – dst+
  * >= 50 pkt – dst
  * < 50 pkt – ndst

===== Egzamin =====