Uczenie maszynowe

Zaliczenie przedmiotów „Narzędzia eksploracji danych”, „Statystyka matematyczna”, ,,Eksploracja danych"

przedmiot obligatoryjny

Wykład – 30 godz.

Laboratorium – 30 godz.

Samodzielne studiowanie tematyki zajęć – 35 godz.

Rozwiązywanie zadań domowych – 25 godz.

Przygotowanie do egzaminu – 30 godz.

Razem: 150 godz. - 6 punktów ECTS

W1: zna najważniejsze problemy uczenia maszynowego - K_W01, K_W03, K_W06,

W2: zna przynajmniej jeden algorytm stosowany do rozwiązania najważniejszych problemów uczenia maszynowego - K_W03, K_W04, K_W06, K_W07.

U1: potrafi rozwiązywać najważniejsze problemy uczenia maszynowego, używając dostępnych algorytmów – K_U01, K_U02, K_U03,

U2: umie znaleźć i analizować zbiory danych adekwatne do określonego problemu uczenia maszynowego - K_U19, K_U21,

U3: potrafi zinterpretować, ocenić i przedstawić wyniki analiz - K_U04, K_U05, K_U06, K_U16, K_U19.

K1: potrafi w sposób zrozumiały (dla matematyków i niematematyków) formułować problemy uczenia maszynowego i metody ich rozwiązania – K_K03,

K2: rozumie i docenia znaczenie uczenia maszynowego w analizie danych K_K05,

- wykład informacyjny (konwencjonalny)

- laboratoryjna

Celem jest wprowedzanie studentów w tematykę i metodologię uczenia maszynowego oraz rozwiązywanie praktycznych problemów przy pomocy poznanych narzędzi.

1. Wprowadzenie do uczenia maszynowego.

2. Podstawowe algorytmy klasyfikacyjne: naiwny klasyfikator bayesowski,

metoda „k - najbliższych sąsiadów”.

3. Maszyny wektorów podpierających.

4. Metody łączenia klasyfikatorów: „bagging” i „boosting”.

5. M-estymatory z karą.

6. Modele graficzne - pola losowe Markowa.

7. Algorytm EM („Expectation-Maximization”).

8. Analiza składowych głównych.

9. Statystyczna analiza algorytmów.

1. L. Devroye, L. Gyorfi, G. Lugosi: „A probabilistic theory of pattern recognition”, Springer, 1996.

2. J. Koronacki, J. Ćwik: „Statystyczne systemy uczące się”. Wydaw. Naukowo-Techniczne, Warszawa, 2006.

3. T. Hastie, R. Tibshirani, J. Friedman: „The Elements of Statistical Learning”, Springer, 2009.

4. S. Shalev-Shwartz, S. Ben-David: „Understanding Machine Learning: From Theory to Algorithms”, Cambridge University Press, 2014.

Egzamin pisemny – W1, W2, K1, K2,

Zaliczenie laboratorium na podstawie dwóch sprawdzianów – W1, W2, U1, U2, U3, K1, K2.

Brak