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] 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.
- [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
- Ian Witten, Data Mining with Weka: http://wekamooc.blogspot.com/ https://weka.waikato.ac.nz/explorer
Varia:
Ramowy plan wykładu
- Atrybuty i modele, wejście i wyjście w procesie DM/ML
- Regresja liniowa
- Bias/Variance
- Ridge regression
- Klasyfikacja i jej ewaluacja
- Regresja Logistyczna
- SVM
- Wybrane modele probabilistyczne
- Drzewa decyzyjne
- Uczenie zespołów klasyfikatorów (ang. ensemble)
- Głębokie sieci neuronowe
- Explainable AI
- Deep learning w praktycznych zastosowaniach
Ramowy plan laboratorium
- Laboratorium 1 – Wprowadzenie do środowiska pracy
- Laboratorium 2 – GoogleColab, Pandas i Numpy
- Laboratorium 3 – Transformacje i wizualizacje danych
- Laboratorium 4 – Regresja, Szeregi czasowe
- Laboratorium 4 – Klasyfikacja
- Laboratorium 5 – Podstawy przetwarzania tekstu
- Laboratorium 6 – Zespoły klasyfikatorów: Bagging, Boosting
- Laboratorium 7 – Uczenie przyrostowe
- [TEST]
- Laboratorium 8 – Sieci neuronowe
- Laboratorium 9 – Różne architektury sieci głębokich
- Laboratorium 10 – Deep learning w praktycznych zastosowaniach
- Laboratorium 11 – Explainable AI
- Laboratorium 12 – Systemy rekomendujące
- [TEST]