Plan wykładu
- Wykład 1 (27/02): Wprowadzenie do systemów uczących się
Przegląd metod w SUS: Uczenie z nadzorem, uczenie bez nadzoru, uczenie ze wzmocnieniem. Proste klasyfikatory: KNN, Naive Bayes.
Sprawy organizacyjne - Wykład 2 (6/03): Ocena klasyfikatorów
Macierz błędu, przedział ufności, techniki Walidacji krzyżowej (CV-k) i Bootstrapping
- Wykład 3 (13/03): Drzewo decyzyjne
Działanie i metody konstrukcji drzew decyzyjnych, technika przycinania drzew
- Wykład 4 (20/03): Sieci Neuronowe
Działanie, struktury i metody uczenia sieci neuronowych; algorytm Propagacji Wstecznej
- Wykład 5 (27/03): Metody grupowania danych (clustering)
Algorytmy k centroidów ( k-means), hierarchiczne i rozmyte (fuzzy clustering)
- Wykład 6 (3/04): Redukty i klasyfikatory regułowe
Znane techniki w teorii zbiorów przybliżonych
- Wykład 7 (10/04): Teoria uczenia się (I)
Statystyczna teoria uczenia się, pojęcia PAC learning, wyuczalności przestrzeni hipotez, wymiar Vapnika-Chervonenkisa (VC-dim)
- Wykład 8 (17/04): Teoria uczenia się (II)
Podstawowe twierdzenia w teorii uczenia się. Non-free lunch Theorem
- Wykład 9 (24/04): Metoda wektorów wspierających (SVM)
Jedna z t.z. Kernel methods in machine learning
- Wykład 10 (8/05): Boosting i
Metody Ukrytego Modelu Markowa (HMM)
Algorytm Ada-Boost, Algorytm Baum-Welcha
- Wykład 11 (15/05): Uczenie ze wzmocnieniem
Proces decyzyjny Markowa, algorytmy Dynamic programming (DP), Monte Carlo (MC), Temporal Difference Learning (TD), Sarsa, Q learning, ...
- Wykład 12 (22/05):
Deep Learning (Część 1)
Wprowadzenie, Głębokie Sieci konwolucyjne (CNN)
- Wykład 13 (29/05):
Deep Learning (Część 2)
Głębokie Sieci Rekurencyjne (RNN) i model Neural Turing Machine
- Wykład 14 (5/06): Sieci Neuronowe w uczeniu bez nadzoru
- Wykład 15 (12/06):
- Przykładowe egzaminy z SUSu w latach 2010, 2012 i2018.
Majówka (1/05)
Egzamin: Piątek, 25/06/2019, Godz. 10:00-13:00, Sala 2070