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. [07.10.2026] Atrybuty i modele, wejście i wyjście w procesie DM/ML I
2. [14.10.2026] Atrybuty i modele, wejście i wyjście w procesie DM/ML II
3. [21.10.2026] Regresja liniowa
4. [28.10.2026] Bias/Variance
5. [04.11.2026] Ridge regression
6. [18.11.2026] Klasyfikacja i jej ewaluacja, Regresja Logitowa i SVM
7. [25.11.2026]] Drzewa decyzyjne
8. [02.12.2026] Uczenie zespołów klasyfikatorów (ang. ensemble)
9. [09.12.2026] Uczenie przyrostowe
10. [16.12.2026] Explainable AI
11. [13.01.2027] Głębokie sieci neuronowe
12. [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

1. Laboratorium 1 (7.10.2026) – Wprowadzenie do środowiska pracy
2. Laboratorium 2 (14.10.2026) – GoogleColab, Pandas i Numpy
3. Laboratorium 3 (21.10.2026) – Transformacje i wizualizacje danych
4. Laboratorium 4 (28.10.2026) – Regresja, Szeregi czasowe
5. Laboratorium 5 (4.11.2026) – Klasyfikacja
6. Laboratorium 6 (18.11.2026) – Podstawy przetwarzania tekstu
7. Laboratorium 7 (25.11.2026) – Zespoły klasyfikatorów: Bagging, Boosting
8. Laboratorium 8 (2.12.2026) – Uczenie przyrostowe
9. (9.12.2026) – [TEST]
10. Laboratorium 9 (9.12.2026) – Explainable AI
11. Laboratorium 11 (16.12.2026) – Sieci neuronowe
12. Laboratorium 12 (13.01.2027) – Różne architektury sieci głębokich
13. Laboratorium 13 (20.01.2027) – Deep learning w praktycznych zastosowaniach

- (27.01.2027) – [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

Zagadnienia do egzaminu zawierają się w opublikowanych na stronie wykładach. Ponad to zagadnienia obejmują:

1. Definicja i budowa wielowarstwowej sieci neuronowej.
2. Rola funkcji aktywacji.
3. Rola i przykłady funkcji loss.
4. Rola mechanizmu optymalizatora w treningu sieci neuronowej.
5. Etapy procesu treningu sieci neuronowej.
6. Przykłady zadań (problemów) rozwiązywanych przez sieci neuronowe
7. Podstawowe typy sieci neuronowych.
8. Reprezentacje danych w różnych problemach uczenia maszynowego