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.

  1. Atrybuty i modele, wejście i wyjście w procesie DM/ML
  2. Regresja liniowa
  3. Bias/Variance
  4. Ridge regression
  5. Klasyfikacja i jej ewaluacja
  6. Regresja Logistyczna
  7. SVM
  8. Wybrane modele probabilistyczne
  9. Drzewa decyzyjne
  10. Uczenie zespołów klasyfikatorów (ang. ensemble)
  11. Głębokie sieci neuronowe
  12. Explainable AI
  13. Deep learning w praktycznych zastosowaniach
  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]
  • courses/mldl/start.txt
  • Last modified: 4 weeks ago
  • by admin