Wybrane metody uczenia maszynowego WM-I-WMUM
Wykład (WYK) 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. Teoria nauczalności.

2. Wprowadzenie do metod MCMC.

3. Próbniki MCMC.

4. Ukryty model Markova (HMM)

5. Rozpoznawanie mowy przy użyciu algorytmów uczenia maszynowego

6. Algorytmy uczenia ze wzmocnieniem: Q-Learning, Double Q-Learning, SARSA

7. Sieci głębokiego uczenia (deep learning)

8. Wykrywanie i klasyfikacja obiektów na obrazach - wizja komputerowa

9. Przykłady zastosowań: rodzina YOLO, biblioteka OpenCV

10. Zrównoleglanie obliczeń na CPU i GPU

11. Zrównoleglanie algorytmów uczenia maszynowego opartych na macierzach

12. Zrównoleglania algorytmów opartych o analizę przeżycia (survival analysis)

13. Budowa zautomatyzowanego stosu do analizy danych (Machine Learning Stack)

14. Egzamin pisemny