courses:mldl:start

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revision Previous revision
Next revision		 Previous revision
courses:mldl:start [2025/11/14 10:30] – [Ramowy plan wykładu] admincourses:mldl:start [2026/10/06 17:20] (current) – [Ramowy plan laboratorium] admin
Line 31: Line 31:
  
 ===== Ramowy plan wykładu===== ===== Ramowy plan wykładu=====
-  - **[08.10.2025]**[[https://ujchmura-my.sharepoint.com/:b:/g/personal/szymon_bobek_uj_edu_pl/EY7yJPyvgzBPtdBzJHX1wGYBzgI5n462tEWlYwNSUXL8-Q?e=Tqcsmr| Atrybuty i modele, wejście i wyjście w procesie DM/ML I]] +  - **[07.10.2026]**[[https://ujchmura-my.sharepoint.com/:b:/g/personal/szymon_bobek_uj_edu_pl/EY7yJPyvgzBPtdBzJHX1wGYBzgI5n462tEWlYwNSUXL8-Q?e=Tqcsmr| Atrybuty i modele, wejście i wyjście w procesie DM/ML I]] 
-  - **[15.10.2025]**[[https://ujchmura-my.sharepoint.com/:b:/g/personal/szymon_bobek_uj_edu_pl/EY7yJPyvgzBPtdBzJHX1wGYBzgI5n462tEWlYwNSUXL8-Q?e=Tqcsmr| Atrybuty i modele, wejście i wyjście w procesie DM/ML II]] +  - **[14.10.2026]**[[https://ujchmura-my.sharepoint.com/:b:/g/personal/szymon_bobek_uj_edu_pl/EY7yJPyvgzBPtdBzJHX1wGYBzgI5n462tEWlYwNSUXL8-Q?e=Tqcsmr| Atrybuty i modele, wejście i wyjście w procesie DM/ML II]] 
-  - **[22.10.2025]** [[https://ujchmura-my.sharepoint.com/:b:/g/personal/szymon_bobek_uj_edu_pl/EY7mwCOac7hPiwRS7dIO8rMBfSKHHvrX9J9b2-sRXgke-g?e=yPHxiJ|Regresja liniowa]] +  - **[21.10.2026]** [[https://ujchmura-my.sharepoint.com/:b:/g/personal/szymon_bobek_uj_edu_pl/EY7mwCOac7hPiwRS7dIO8rMBfSKHHvrX9J9b2-sRXgke-g?e=yPHxiJ|Regresja liniowa]] 
-  - **[29.10.2025]** [[https://ujchmura-my.sharepoint.com/:b:/g/personal/szymon_bobek_uj_edu_pl/IQBFEqoseJ6BQoFA486OoNWZARFF15Kk56ZIjJBipStzHKI?e=zjnFww|Bias/Variance]] +  - **[28.10.2026]** [[https://ujchmura-my.sharepoint.com/:b:/g/personal/szymon_bobek_uj_edu_pl/IQBFEqoseJ6BQoFA486OoNWZARFF15Kk56ZIjJBipStzHKI?e=zjnFww|Bias/Variance]] 
-  - **[05.11.2025]** [[https://ujchmura-my.sharepoint.com/:b:/g/personal/szymon_bobek_uj_edu_pl/IQBFEqoseJ6BQoFA486OoNWZARFF15Kk56ZIjJBipStzHKI?e=zjnFww|Ridge regression]] +  - **[04.11.2026]** [[https://ujchmura-my.sharepoint.com/:b:/g/personal/szymon_bobek_uj_edu_pl/IQBFEqoseJ6BQoFA486OoNWZARFF15Kk56ZIjJBipStzHKI?e=zjnFww|Ridge regression]] 
-  - **[12.111.2025]** [[https://ujchmura-my.sharepoint.com/:b:/g/personal/szymon_bobek_uj_edu_pl/IQBA1nZjm8B3SqDDkPz_JblYAYZKxi2X7qtrysUAWXUX7q4?e=6WX0Gd| Klasyfikacja i jej ewaluacja, Regresja Logitowa i SVM]] +  - **[18.11.2026]** [[https://ujchmura-my.sharepoint.com/:b:/g/personal/szymon_bobek_uj_edu_pl/IQBA1nZjm8B3SqDDkPz_JblYAYZKxi2X7qtrysUAWXUX7q4?e=6WX0Gd| Klasyfikacja i jej ewaluacja, Regresja Logitowa i SVM]] 
-  - Drzewa decyzyjne +  - **[25.11.2026]]** [[https://ujchmura-my.sharepoint.com/:b:/g/personal/szymon_bobek_uj_edu_pl/IQBbf4tFlJweQKyJKl0PWjy0AXNRhOk-i1RTBzdcGY9o3uc?e=3UI3rd|Drzewa decyzyjne]] 
-  - Uczenie zespołów klasyfikatorów (ang. ensemble) +  - **[02.12.2026]** [[https://ujchmura-my.sharepoint.com/:b:/g/personal/szymon_bobek_uj_edu_pl/IQCOM3pC3EtRQZgJzb5PPLvKAWEaC50ew6nX5rfQgw-bkWc?e=HOOfjo|Uczenie zespołów klasyfikatorów (ang. ensemble)]] 
-  - Wybrane modele probabilistyczne +  - **[09.12.2026]** [[https://ujchmura-my.sharepoint.com/:b:/g/personal/szymon_bobek_uj_edu_pl/IQAn4D8aaB_fT63-mf9oaIrVAQBc8Xar9_G1YSgBys8ILas?e=l5GsHU|Uczenie przyrostowe]] 
-  - Explainable AI +  - **[16.12.2026]** {{ :courses:xai:1_introduction_to_explainable_artificial_intelligence.pdf |Explainable AI}} 
-  - Głębokie sieci neuronowe +  - **[13.01.2027]** Głębokie sieci neuronowe 
-  - Deep learning w praktycznych zastosowaniach+  - **[20/27.01.2027]**  Deep learning w praktycznych zastosowaniach 
 + 
 +  * :!: **Egzamin Termin I: XX.X.2027** - godzina XX:00-XX:00  sala X-X-XX 
 +  * :!: **Egzamin Termin II: XX.XX.2027** -  godzina XX:00-XX:00  sala X-X-XX
  
  
Line 48: Line 51:
  
  
-  - [[.:lab1| Laboratorium 1]] -- Wprowadzenie do środowiska pracy +  - [[.:lab1| Laboratorium 1]] (7.10.2026) -- Wprowadzenie do środowiska pracy 
-  - [[.:lab2| Laboratorium 2]] -- GoogleColab, Pandas i Numpy +  - [[.:lab2| Laboratorium 2]] (14.10.2026) -- GoogleColab, Pandas i Numpy 
-  - [[.:lab3| Laboratorium 3]] -- Transformacje i wizualizacje danych  +  - [[.:lab3| Laboratorium 3]] (21.10.2026) -- Transformacje i wizualizacje danych 
-  - [[.:lab4| Laboratorium 4]] -- Regresja, Szeregi czasowe +  - [[.:lab4| Laboratorium 4]] (28.10.2026) -- Regresja, Szeregi czasowe 
-  - [[.:lab5| Laboratorium 4]] -- Klasyfikacja +  - [[.:lab5| Laboratorium 5]] (4.11.2026) -- Klasyfikacja 
-  - [[.:lab6| Laboratorium 5]] -- Podstawy przetwarzania tekstu +  - [[.:lab6| Laboratorium 6]] (18.11.2026) -- Podstawy przetwarzania tekstu 
-  - [[.:lab7| Laboratorium 6]] -- Zespoły klasyfikatorów: Bagging, Boosting +  - [[.:lab7| Laboratorium 7]] (25.11.2026) -- Zespoły klasyfikatorów: Bagging, Boosting 
-  - [[.:lab8| Laboratorium 7]] -- Uczenie przyrostowe +  - [[.:lab8| Laboratorium 8]] (2.12.2026) -- Uczenie przyrostowe 
-  - [TEST] +  - (9.12.2026) -- [TEST] 
-  - [[.:lab12| Laboratorium 8]] -- Explainable AI +  - [[.:lab12| Laboratorium 9]] (9.12.2026) -- Explainable AI 
-  - [[.:lab13| Laboratorium 9]] -- Systemy rekomendujące +  - [[.:lab9| Laboratorium 11]] (16.12.2026) -- Sieci neuronowe 
-  - [[.:lab9| Laboratorium 10]] -- Sieci neuronowe +  - [[.:lab10| Laboratorium 12]] (13.01.2027) -- Różne architektury sieci głębokich 
-  - [[.:lab10| Laboratorium 11]] -- Różne architektury sieci głębokich +  - [[.:lab11| Laboratorium 13]] (20.01.2027) -- Deep learning w praktycznych zastosowaniach 
-  - [[.:lab11| Laboratorium 12]] -- Deep learning w praktycznych zastosowaniach +  - (27.01.2027) -- [TEST]
-  - [TEST]+
  
 ===== Zaliczenie ===== ===== Zaliczenie =====
Line 81: Line 83:
 ===== Egzamin ===== ===== Egzamin =====
  
 +Zagadnienia do egzaminu zawierają się w opublikowanych na stronie wykładach.
 +Ponad to zagadnienia obejmują:
 +
 +  - Definicja i budowa wielowarstwowej sieci neuronowej.
 +  - Rola funkcji aktywacji.
 +  - Rola i przykłady funkcji loss.
 +  - Rola mechanizmu optymalizatora w treningu sieci neuronowej.
 +  - Etapy procesu treningu sieci neuronowej.
 +  - Przykłady zadań (problemów) rozwiązywanych przez sieci neuronowe
 +  - Podstawowe typy sieci neuronowych.
 +  - Reprezentacje danych w różnych problemach uczenia maszynowego
  
  • courses/mldl/start.1763116226.txt.gz
  • Last modified: 11 months ago
  • by admin