Uczenie maszynowe i sieci neuronowe WM-I-S1-E5-UMSN
Laboratorium (LAB) Semestr zimowy 2022/23

Literatura obowiązkowa:

Materiały zawarte w kursie w Moodle.

Literatura uzupełniająca:

Paweł Cichosz "Data Mining Algorithms: Explained Using R", Wiley, 2015

G.James, D.Witten, T.Hastie, R.Tibshirani "An Introduction to Statistical Learning" (ISL), Springer 2013 (książka jest

dostępna legalnie w sieci WWW wraz z innymi dodatkowymi materiałami)

Jan Ćwik, Jacek Koronacki "Statystyczne systemy uczące się", wyd. 2, EXIT 2008

Sławomir Wierzchoń, Mieczysław Kłopotek "Algorytmy analizy skupień", Wydawnictwo WNT, 2015

Paweł Cichosz "Systemy uczące się", Wydawnictwo WNT, 2009

Przemysław Biecek "Przewodnik po pakiecie R", wyd. 3, Oficyna Wydawnicza GIS, 2014 (połowa książki jest dostępna

legalnie w sieci WWW)

1. Zapoznanie ze środowiskiem R i RStudio.

2. Analizowanie danych i rozwiązywanie problemów z danymi.

3. Budowanie modeli regresji logistycznej.

4. Grupowanie hierarchiczne - hclust.

5. Grupowanie spektralne - pakiet kernlab.

6. Ewaluacja metod grupowania.

7. Konstruowanie reguł metodą przeszukiwania.

8. Klasyfikacja za pomocą komitetów klasyfikatorów.

9. Kolokwium - analiza danych i budowa modeli uczenia maszynowego w środowisku R

10. Probabilistyczna analiza tekstów - wykorzystywanie pakietu tm.

11. Sztuczne sieci neuronowe.

12. Zapoznanie ze środowiskiem Python w uczeniu maszynowym (Numpy, Scikit-learn)

13. Uczenie ze wzmocnieniem

14. Głębokie uczenie w analizie tekstów - embedding słów

15. Prezentacja projektów zespołowych i otrzymanych wyników.