Semestr Letni 2016-2017

Wykład obieralny na kierunku Informatyki, UW

Wykład dotyczy podstaw systemów uczących się. Przedstawione będą techniki uczenia indukcyjnego (czyli opartego o przykłady), m.i. metody drzew decyzyjnych, sieci neuronowych, klasyfikatorów Bayesowskie, SVM, i itp., oraz techniki uczenia ze wzmocnieniem. Omawiane będą również historyczne i aktualne problemy oraz wyzwania dla systemów uczących się takie, jak problem uogólnienia i obciążenia (bias) klasyfikatorów, overfitting, problem wyboru modelu, selekcja cech, wyuczalność, itp.

Ciekawe linki, przydatne strony

Video lecture on machine learning:
Wykłady wygłoszone przez czołowych badaczy z dziedziny Machine Learning
ML-News
Machine Learning News Google group
UCI Machine Learning Repository
Archiwa baz danych służących do empirycznych ocen jakości algorytmów uczących się. Irvine, CA: University of California, School of Information and Computer Science
KDnuggets
Data Mining, Knowledge Discovery, Genomic Mining, Web Mining
Kernel-Machines.org
www.kernel-machines.org
Coursera
Kurs uczenia maszynowego na Uniwersytecie w Stanfordzie.
Deep Learning
Hierarchiczne Sieci neuronowe
Problem selekcji i ekstrakcji cech
Znane techniki selekcji i ekstrakcji atrybutów przydatnych do klasyfikacji
Problem selekcji i ekstrakcji cech
Znane techniki selekcji i ekstrakcji atrybutów przydatnych do klasyfikacji
Sieci Bayesowskie
DAG, d-seperacja, wnioskowanie, estymacja sieci
Sieci neuronowe w problemach grupowania danych
Sieci rekurencyjne, sieć Hopfielda, SOM …