Uczenie maszynowe - 2025 Specjalność ARR Katedra Cybernetyki i Robotyki Wydział Elektroniki, Fotoniki, i Mikrosystemów

Tematy i materiały do wykładów

Materiały udostępnione za pomocą poniższej tabelki objęte są prawami autorskimi. Można je wykorzystywać wyłącznie do własnych prywatnych celów, i nie wolno ich w żaden sposób rozpowszechniać, na przykład przez umieszczenie na ogólnie dostępnych stronach internetowych, ani w żaden inny sposób.

nr	temat wykładu	slajdy
1	Wprowadzenie do uczenia maszynowego.
2 3 4	Indukcja drzew decyzyjnych. Błędy w automatycznej klasyfikacji. Naiwny klasyfikator bayesowski. Regresja logistyczna. Metoda najbliższych sąsiadów. Uwagi ogólne o budowie klasyfikatorów.
5 6 7	Uczenie nienadzorowane - klasteryzacja. Algorytmy: k-means, DBSCAN, E-M, hierarchiczna analiza skupień. Redukcja wymiaru - algorytm PCA. Analiza koszykowa. Algorytm apriori. Systemy rekomendacji. Uczenie się bayesowskich sieci przekonań.
8	Obliczeniowa teoria uczenia maszynowego. Model PAC. Wymiar Wapnika-Czerwonenkisa.

Literatura

1. materiały internetowe
2. notatki z wykładu
3. szczegółowe odwołania do literatury znajdują się w PDF-ach do poszczególnych wykładów

1. P.Cichosz, Systemy uczące się, WNT, Warszawa 2000, WWW

Materiały internetowe:

1. Tutoriale, podręczniki on-line
   
   • A Course in Machine Learning, by Hal Daumé III

2. Uniwersyteckie kursy maszynowego uczenia o podobnym programie:
   
   • Machine Learning, Carnegie Mellon University, 2017
   • Introduction To Machine Learning, M.I.T., 2013
   • Applied Machine Learning, Chalmers tekniska högskola, 2019
   • CSE 446 Machine Learning, University of Washington, 2013
   • Uczenie maszynowe, Akademia Górniczo-Hutnicza, 2019
   • Na uwagę zasługują również pozauniwersyteckie kursy maszynowego uczenia, takie jak kurs Andrew Ng'a na Coursera.

3. Narzędzia, systemy, dokumentacja, tutoriale:
   
   • WEKA - opensource-owy system ML
   • Przewodnik po systemie Weka
   • Rapid Miner - komercyjny system ML z bezpłatną wersją
   • Wideo tutoriale do Rapid Minera
   • scikit-learn - biblioteka ML do Pythona
   • Przykładowy wstępny tutorial do pracy z pakietem scikit-learn
   • Biblioteka LIBSVM i narzędzia pomocnicze
   • Zbiór tutoriali Andrew Moore'a

4. Repozytoria danych statystycznych:
   
   • UCI Machine Learning Repository
   • CMU Statistical datasets
   • Repozytorium Kaggle
   • Zbiór projektów studenckich z kursu CS229 ze Stanfordu, jako źródło inspiracji

Kolokwium

Wnukówki

1. Testy są pisemne, trwają trzy minuty, i odbywają się w dowolnym momencie wykładu.
2. Obejmują materiał z bieżącego oraz ewentualnie poprzedniego wykładu (jeśli jest kontynuowany).
3. Nie można korzystać z żadnych pomocy, książek, notatek ani komputerów.
4. Można korzystać z kalkulatora. Może to być kalkulator w telefonie, zegarku, PDA, itp.
5. Testy będą oceniane w skali 1-3 punktów, z 1 punktem za czystą kartkę.
6. Nieobecność na teście oznacza 0 punktów. Testu nie można odrobić, i nie ma żadnych usprawiedliwień.
7. Łączny wynik z wszystkich testów zostanie obliczony z odrzuceniem jednego najwyższego i jednego najniższego zapracowanego wyniku. Wynik 0 za nieobecność nigdy nie jest odrzucany.

Aplikacja androidowa

Jeśli nie posiadasz fona androidowego, albo nie chcesz instalować nieznanej aplikacji, nie musisz tego robić|
Metoda ręcznego obliczania numerów grup jest prosta i niezawodna: opis tutaj.

Zwolnienia z kolokwium

Wyniki

Laboratorium

Harmonogram zadań laboratorium