Uczenie maszynowe i głębokie uczenie

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.

• [FLA] Peter Flach Machine Learning. The Art and Science of Algorithms that Make Sense of Data, Cambridge University Press, 2012.
• [DMW] Ian Witten, Eibe Frank, Mark Hall, Data Mining: Practical Machine Learning Tools and Techniques, 3rd edition, Morgan Kaufmann Publishers, 2011

Uzupełniająco:

• [TML] T. Mitchell, Machine Learning, McGraw Hill, 1997.
• [CMB] Christopher M. Bishop Pattern Recognition and Machine Learning, Springer, 2007.
• [CIH] Paweł Cichosz, Systemy uczące się, WNT, 2000.
• [KDA] Krzysztof Cios et al. Data Mining A Knowledge Discovery Approach, Springer, 2007 slajdy
• [RSI] Recommender Systems - An Introduction, tutorial
• [IIR] Introduction to Information Retrieval, slajdy do kursu
• [FCA] D. Poole, A. Mackworth, Artificial Intelligence: Foundations of Computational Agents, Cambridge University Press, 2010, ONLINE

Inspiracje do ćwiczeń i poszerzania wiedzy:

• Coursera: Machine learning specialization
• Coursera: Andrew Ng Coursera: Machine Learning
• Coursera: Data Science specialization
• [ZMV] Zdravko Markov, CS570 - Topics in AI: Machine Learning, oraz Machine Learning Programs and Laboratory Experiments in Prolog, 2003.
• Ian Witten, Data Mining with Weka: http://wekamooc.blogspot.com/ https://weka.waikato.ac.nz/explorer

Varia:

• WEKA
• UCI ML repo
• Zdravko Markov and Daniel T. Larose Data Mining the Web: Uncovering Patterns in Web Content, Structure, and Usage
• 14 Free (as in beer) Data Mining Books

1. [08.10.2025] Atrybuty i modele, wejście i wyjście w procesie DM/ML I
2. [15.10.2025] Atrybuty i modele, wejście i wyjście w procesie DM/ML II
3. [22.10.2025] Regresja liniowa
4. [29.10.2025] Bias/Variance
5. [05.11.2025] Ridge regression
6. [12.11.2025] Klasyfikacja i jej ewaluacja, Regresja Logitowa i SVM
7. [19.11.2025] Drzewa decyzyjne
8. [26.11.2025] Uczenie zespołów klasyfikatorów (ang. ensemble)
9. [03.12.2025] Uczenie przyrostowe
10. [10.12.2025] Explainable AI
11. [17.12.2025] Głębokie sieci neuronowe
12. [14/21.01.2026] Deep learning w praktycznych zastosowaniach

• Egzamin Termin I: 04.02.2026 - godzina 12:00-14:00 sala A-2-07
• Egzamin Termin II: 25.02.2026 - godzina 12:00-14:00 sala A-2-07

1. Laboratorium 1 (8.10.2025) – Wprowadzenie do środowiska pracy
2. Laboratorium 2 (15.10.2025) – GoogleColab, Pandas i Numpy
3. Laboratorium 3 (22.10.2025) – Transformacje i wizualizacje danych
4. Laboratorium 4 (29.10.2025) – Regresja, Szeregi czasowe
5. Laboratorium 5 (5.11.2025) – Klasyfikacja
6. Laboratorium 6 (19.11.2025) – Podstawy przetwarzania tekstu
7. Laboratorium 7 (26.11.2025) – Zespoły klasyfikatorów: Bagging, Boosting
8. Laboratorium 8 (3.12.2025) – Uczenie przyrostowe
9. (10.12.2025) – [TEST]
10. Laboratorium 9 (10.12.2025) – Explainable AI
11. Laboratorium 11 (17.12.2025) – Sieci neuronowe
12. Laboratorium 12 (14.01.2025) – Różne architektury sieci głębokich
13. Laboratorium 13 (21.01.2025) – Deep learning w praktycznych zastosowaniach
14. (28.01.2025) – [TEST]

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

• 2×50 pkt za testy sprawdzające wiedzę z materiału omawianego podczas laboratoriów.
• po 1 pkt za aktywność podczas zajęć

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