Politechnika Warszawska - Centralny System UwierzytelnianiaNie jesteś zalogowany | zaloguj się
katalog przedmiotów - pomoc

Zaawansowane metody uczenia maszynowego

Informacje ogólne

Kod przedmiotu: 1120-DS000-MSP-0115 Kod Erasmus / ISCED: (brak danych) / (brak danych)
Nazwa przedmiotu: Zaawansowane metody uczenia maszynowego
Jednostka: Wydział Matematyki i Nauk Informacyjnych
Grupy: Inżynieria i analiza danych, II st. - przedmioty obowiązkowe, sem. 1 z 3
Inżynieria i analiza danych, II st. - przedmioty obowiązkowe, sem. 2 z 4
Punkty ECTS i inne: 6.00
Język prowadzenia: polski
Skrócony opis:

Celem przedmiotu jest zapoznanie słuchaczy z zaawansowanymi metodami uczenia maszynowego oraz nauczenie ich aktywnej umiejętności modelowania i analizy danych regresyjnych przy użyciu szeregu nowoczesnych metod statystycznych i data miningowych, w szczególności metod modelowania krzywych regresji, metod klasyfikacji i analizy szeregów czasowych.

Wymagania wstępne / przedmioty poprzedzające: Wstęp do Uczenia Maszynowego

Pełny opis:

Treści kształcenia

Wykład (program przedmiotu):

1. Regresja liniowa: metoda MNK, diagnostyka dopasowania i podstawowe testy.

2. Regresja liniowa: podstawowe odstępstwa od modelu i metody jego adaptacji.

3. Podejście bayesowskie w regresji liniowej, bayesowskie porównanie modeli

4. Regularyzacja w regresji: regresja grzbietowa i metoda Lasso

5. Regresja wysokowymiarowa, selekcja zmiennych: filtry, wrappery, kryteria informacyjne, metody zachłanne.

6. Regresja nieliniowa: nieliniowe metody parametryczne, metody nieparametryczne, drzewa regresyjne CART, metoda MARS.

7. Nieliniowe metody klasyfikacyjne: nieliniowe empiryczne reguły bayesowskie, estymatory gęstości.

8. Nieliniowe metody klasyfikacyjne: QDA, drzewa klasyfikacyjne CART, metoda jądrowa SVM. Klasyfikacja wieloetykietowa

9. Komitety klasyfikatorów (bagging, boosting, algorytmy gradientowe, lasy losowe).

10. Modele graficzne: sieci bayesowskie.

11. Modele graficzne: losowe pola Markowa, wnioskowanie w modelach graficznych.

12. Praktyczna budowa systemu uczącego się dla danych wysokowymiarowych, metody Multisplit , Random Subspace Methods i Nearest Shrunken Centroids.

13. Szeregi czasowe: charakterystyki procesów stacjonarnych, problem prognozy, metoda Yule’a-Walkera, algorytm innowacyjny.

14. Procesy liniowe: modelowanie procesami ARMA(p,q).

15. Analiza danych funkcjonalnych FDA.

Laboratorium: Analiza i modelowanie zbiorów danych wykorzystująca metody regresyjne, klasyfikacyjne, i prognozy szeregów czasowych – w siatce ćwiczenia

Projekt: Praktyczna wieloaspektowa analiza zbiorów danych i konstrukcja systemu automatycznego modelowania spełniającego określone kryteria (zadana precyzja, kryterium LIFT 5% na zbiorze testowym, zadany błąd średniokwadratowy prognozy)

Literatura:

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

2. Hastie, Tibshirani, Friedman, Elements of Statistical Learning, wydanie drugie, Springer 2009

3. Izenman, Modern Multivariate Statistical Techniques, Springer 2008

Metody i kryteria oceniania:

Metody i kryteria oceniania / regulamin zaliczenia: 50% – ocena projektów, 50% – egzamin

Zajęcia w cyklu "rok akademicki 2019/2020 - sem. letni" (jeszcze nie rozpoczęty)

Okres: 2020-02-22 - 2020-09-30
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Laboratorium, 30 godzin więcej informacji
Projekt, 15 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Jan Mielniczuk
Prowadzący grup: Jan Mielniczuk, Krzysztof Rudaś, Paweł Teisseyre
Lista studentów: (nie masz dostępu)
Zaliczenie: Egzamin

Zajęcia w cyklu "rok akademicki 2018/2019 - sem. letni" (zakończony)

Okres: 2019-02-18 - 2019-09-30
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Laboratorium, 30 godzin więcej informacji
Projekt, 15 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Jan Mielniczuk
Prowadzący grup: Jan Mielniczuk, Krzysztof Rudaś, Paweł Teisseyre
Lista studentów: (nie masz dostępu)
Zaliczenie: Egzamin
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Politechnika Warszawska.