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. [07/14.10.2025] Atrybuty i modele, wejście i wyjście w procesie DM/ML
2. [22.10.2025] 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. Explainable AI
12. Głębokie sieci neuronowe
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]

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