Table of Contents

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

Uzupełniająco:

Inspiracje do ćwiczeń i poszerzania wiedzy:

Varia:

Ramowy plan wykładu

  1. [22.10.2025] Regresja liniowa
  2. Bias/Variance
  3. Ridge regression
  4. Klasyfikacja i jej ewaluacja
  5. Regresja Logistyczna
  6. SVM
  7. Wybrane modele probabilistyczne
  8. Drzewa decyzyjne
  9. Uczenie zespołów klasyfikatorów (ang. ensemble)
  10. Explainable AI
  11. Głębokie sieci neuronowe
  12. Deep learning w praktycznych zastosowaniach

Ramowy plan laboratorium

  1. Laboratorium 1 – Wprowadzenie do środowiska pracy
  2. Laboratorium 2 – GoogleColab, Pandas i Numpy
  3. Laboratorium 3 – Transformacje i wizualizacje danych
  4. Laboratorium 4 – Regresja, Szeregi czasowe
  5. Laboratorium 4 – Klasyfikacja
  6. Laboratorium 5 – Podstawy przetwarzania tekstu
  7. Laboratorium 6 – Zespoły klasyfikatorów: Bagging, Boosting
  8. Laboratorium 7 – Uczenie przyrostowe
  9. [TEST]
  10. Laboratorium 8 – Sieci neuronowe
  11. Laboratorium 9 – Różne architektury sieci głębokich
  12. Laboratorium 10 – Deep learning w praktycznych zastosowaniach
  13. Laboratorium 11 – Explainable AI
  14. Laboratorium 12 – Systemy rekomendujące
  15. [TEST]

Zaliczenie

100 pkt to 100% punktów za laboratoria. ocena składa się z:

Oceny

Egzamin