Celem kursu jest przekazanie najistotniejszych wiadomości związanych z problemami i metodami uczenia maszynowego w wymiarze logicznym, geometrycznym i probabilistycznym.
Kurs opiera się na usystematyzowanym przeglądzie podstawowych metod i algorytmów z poszczególnych grup.

• [FLA] Peter Flach Machine Learning. The Art and Science of Algorithms that Make Sense of Data, Cambridge University Press, 2012.
• [TML] T. Mitchell, Machine Learning, McGraw Hill, 1997.

Uzupełniająco:

• [CMB] Christopher M. Bishop Pattern Recognition and Machine Learning, Springer, 2007.
• [CIH] Paweł Cichosz, Systemy uczące się, WNT, 2000.
• [FCA] D. Poole, A. Mackworth, Artificial Intelligence: Foundations of Computational Agents, Cambridge University Press, 2010, ONLINE

Źródła ćwiczeń:

• [ANG] Andrew Ng Coursera: Machine Learning
• [ZMV] Z. Markov, CS570 - Topics in AI: Machine Learning, oraz Machine Learning Programs and Laboratory Experiments in Prolog, 2003.

1. Wstęp: zadania uczenia: [FLA:1]
2. Klasyfikacja problemów uczenia [FLA:2,3]
3. Uczenie pojęć i drzew decyzyjnych [FLA:4,5] AIS:Decision Trees
4. Uczenie drzew i reguł decyzyjnych [FLA:6]
5. Repetytorium: części 1-3 i części 4-6 – oba na podstawie slajdów z podręcznika P. Flacha
6. Kolokwium z lab
7. Wybrane modele liniowe [FLA:7] regresja liniowa, perceptron, SVM, kernele, części 7-8
8. Wybrane modele odległościowe [FLA:8]: sąsiedztwo, kNN, K-means, dendogramy, części 7-8
9. Wybrane modele probabilistyczne [FCA] 6, 7.8
10. Systemy rekomendujące: Recommender Systems - An Introduction, tutorial
11. Narzędzia do ML, SBK,
12. ML a IR: Introduction to Information Retrieval, slajdy do kursu
13. Przegląd i podsumowanie
14. Wykład zaproszony x2: Martin Atzmüller: (1) Subgroup discovery & (2) Community mining

Adres serwera: charon.kis.agh.edu.pl

1. Laboratorium 1 - Wprowadzenie do Octave (2013-02-27)
2. Laboratorium 2 - Uczenie pojęć (2013-03-06)
3. Laboratorium 3 - Drzewa decyzyjne (2013-03-13)
4. Laboratorium 4 - Regresja Liniowa (2013-03-20)
5. Laboratorium 5 - Regresja Logistyczna (2013-03-27)
6. Laboratorium 6 - Sztuczne sieci neuronowe (2013-04-03, 10)
7. Laboratorium 7 - Sztuczne sieci neuronowe (2013-04-10)
8. Laboratorium 8 - Bias/Variance (2013-04-15)
9. Laboratorium 9 - Support Vector Machines
10. Laboratorium 10 - Klasteryzacja
11. Laboratorium 11 - Systemy rekomendacyjne i detekcja anomalii (15-05-2013)
12. Laboratorium 12 - Sieci Bayesowskie - wprowadzenie (22-05-2013)
13. Laboratorium 13 - Sieci Bayesowskie (29-05-2013)
14. Kolokwium z laboratoriów 8-13 (05-06-2013)

• I Termin: 24 czerwca (poniedziałek) 16:00-17:00, C2 429
• II Termin: 1 lipca (poniedziałek) 15:00-17:00, C2 429
• III Termin: 3 września (wtorek) 10:00-12:00, C2 429 - poprawkowy