Uczenie maszynowe i sztuczne sieci neuronowe

Z Brain-wiki


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 Przegląd nowości w literaturze

Interpretacja i wyjaśnianie decyzji podejmowanych przez sieci
Zastosowanie sieci do analizy danych EEG

Powtórka

  1. Zagadnienia do powtórki

Projekty

Projekty