Wstęp do uczenia maszynowego

Celem przedmiotu jest zapoznanie słuchaczy z podstawowymi metodami uczenia maszynowego nadzorowanego i nienadzorowanego oraz nauczenie ich praktycznej umiejętności ich stosowania i oceny ich przydatności.

Treści kształcenia

Wykład (program przedmiotu):

1. Wstępne przetwarzanie danych: redukcja wymiaru danych, ekstrakcja cech: analiza składowych głównych, SVD, skalowanie wielowymiarowe, korelacja cech

2. Generalizacja. Dobre dopasowanie a przeuczenie, walidacja krzyżowa. Miary podobieństwa obiektów, segmentacja danych w oparciu o podobieństwo.

3. Uczenie nienadzorowane: analiza skupień. Miary odległości, algorytmy optymalizacji funkcji kryterialnej (k-means, k-medoids), metody hierarchiczne.

4. Problem klasyfikacji binarnej/wieloklasowej: podejście bayesowskie, empiryczne klasyfikatory bayesowskie (naiwna metod bayesowska, klasyfikator knn)

5. Liniowe metody klasyfikacyjne: LDA, klasyfikator logistyczny, SVM (wersja liniowa)

6. Drzewa jako klasyfikatory. Ekstrakcja reguł z drzew.

7. Reguły asocjacyjne, systemy regułowe.

8. Ewaluacja skuteczności klasyfikatora. Macierz błędów. Miary błędów oraz ich interpretacja.

9. Kompleksowa analiza wszystkich etapów budowy oraz zastosowania narzędzi analizy danych na wybranych przykładach (case studies) z wykorzystaniem metodyki CRISP-DM.

Laboratorium:

Projekt: praktyczna, wieloaspektowa analiza rzeczywistych zbiorów danych obejmująca zagadnienia omawiane na wykładzie.

1. Cichosz, Systemy Uczące się, WNT 2007

2. Bishop, Pattern Recognition and Machine Learning, Springer 2006

3. Flasiński , Wstęp do Sztucznej Inteligencji, PWN 2011

4. Raschka, Mirjalili, Python Machine Learning, Packt Publishing 2019

5. Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, O'Reilly Media, 2019

Zaliczenie przedmiotu oparte jest o wyniki dwóch zadań realizowanych w ramach laboratorium (w sumie maksymalnie 80 pkt) oraz wyniki egzaminu (maksymalnie 20 pkt).

W ramach Laboratorium oceniane są dwa projekty po 35 pkt każdy w zakresie klasyfikacji oraz klasteryzacji.

Ponadto 10 pkt można otrzymać za zaliczenie dwóch kursów dotyczących uczenia maszynowego w DataCamp.

https://www.datacamp.com/universities

W przypadku zadań realizowanych w laboratorium oceniana jest zarówno jakość rozwiązań, jak i terminowość ich realizacji. Szczegółowe zasady przyznawania punktów przedstawiane są studentom podczas pierwszych zajęć laboratoryjnych (dot. laboratorium) oraz wykła-dowych (dot. egzaminu).

Ocena końcowa zależy od łącznej liczby punktów uzyskanych z zadań punk-towanych oraz egzaminu i jest wyznaczana zgodnie z poniższymi regułami: 0-50 pkt – 2.0, 51-60 pkt – 3.0, 61-70 pkt – 3.5, 71-80 pkt – 4.0, 81-90 pkt – 4.5, 91-100 pkt – 5.0. Warunkiem koniecznym uzyskania oceny pozytywnej jest zdobycie co najmniej 40 pkt z laboratorium oraz 10 pkt z egzaminu.