Uczenie maszynowe i sztuczne sieci neuronowe

Zasady zaliczenia

Konfiguracja środowiska

	Wykłady	Ćwiczenia
1	Wstęp, regresja liniowa i metoda najmniejszych kwadratów (wersja w notebooku)
		Regresja liniowa. Dla chętnych dodatkowo: Regresja liniowa jako filtr i zastosowanie do modelowania szeregu czasowego.
2	Klasyfikacja i regresja logistyczna (wersja w notebooku)
		Ćwiczenie regresji logistycznej
3	Ocena jakości klasyfikacji (wersja w notebooku)
		Ćwiczenie z miarami jakości
4	Algorytmy generatywne (wersja w notebooku)
		Ćwiczenie z wizualzacji zbioru danych i klasyfikacji,bayesowskiejĆwiczenie z klasyfikacji tekstów za pomocą klasyfikacji bayesowskiej (notebook)
5	Maszyny wektorów wspierających I (wersja w notebooku)
		Klasyfikacja z użyciem SVM
6	Maszyny wektorów wspierających II (wersja w notebooku)
		Klasyfikacja z użuciem SVM 2
7	Drzewa decyzyjne(wersja w notebooku)
		Wybor optymalnych cech Drzewa decyzyjne
8	Uczenie bez nadzoru (wersja w notebooku)
		Uczenie bez nadzoru i analiza skupień
9	Wstęp o sieciach neuronowych, sieci neuronowe liniowe.,/,Perceptron Rosenblatta. (wersja w notebooku)
		Nieliniowe sieci neuronowe: problem XOR Funkcja logiczna - implementacja w Keras(notebook)
10	Nieliniowości różniczkowalne i metoda wstecznej propagacji błędu (wersja w notebooku) Wsteczna propagacja błędu: jak poprawić zbieżność? (wersja w notebooku)
		Regresja nielinowa implementacja w keras(notebook)
11	Sieci konwolucyjne (wersja w notebooku)
		Porównanie kalsyfikacji cyfr za pomoca sieci gęstej i głębokiej (notebook)
12	Uczenie ze wzmocnieniem (wersja w notebooku) Uczenie ze wzmocnieniem cz.2 w notebooku)
		Uczenie ze wzmocnieniem (notebook)
13	Interpretacja i wyjaśnianie decyzji podejmowanych przez sieci Zastosowanie sieci do analizy danych EEG

Powtórka

1. Zagadnienia do powtórki

Projekty

Projekty