Różnice

Różnice między wybraną wersją a wersją aktualną.

Odnośnik do tego porównania

pl:dydaktyka:ml:start [2016/03/01 14:00]
gjn [Podręczniki] 14 Free (as in beer) Data Mining Books
pl:dydaktyka:ml:start [2019/06/27 15:50]
Linia 1: Linia 1:
-====== Machine learning 2016 ====== 
-===== Cele kursu ===== 
-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. 
- 
-===== Podręczniki ===== 
-  * [FLA] [[http://​www.cs.bris.ac.uk/​~flach|Peter Flach]] //​[[http://​www.cs.bris.ac.uk/​~flach/​mlbook/​|Machine Learning. The Art and Science of Algorithms that Make Sense of Data]]//, Cambridge University Press, 2012. 
-  * [DMW] [[http://​www.cs.waikato.ac.nz/​~ihw|Ian Witten]], [[http://​www.cs.waikato.ac.nz/​~eibe|Eibe Frank]], [[http://​www.linkedin.com/​in/​mahall|Mark Hall]], //​[[http://​www.cs.waikato.ac.nz/​ml/​weka/​book.html|Data Mining: 
-Practical Machine Learning Tools and Techniques]]//,​ 3rd edition, Morgan Kaufmann Publishers, 2011 
- 
-Uzupełniająco:​ 
-  * [TML] [[http://​www.cs.cmu.edu/​~tom/​|T. Mitchell]], //​[[http://​www.cs.cmu.edu/​~tom/​mlbook.html|Machine Learning]]//,​ McGraw Hill, 1997. 
-  * [CMB] [[http://​research.microsoft.com/​en-us/​um/​people/​cmbishop/​|Christopher M. Bishop]] //​[[http://​research.microsoft.com/​en-us/​um/​people/​cmbishop/​prml/​|Pattern Recognition and Machine Learning]]//,​ Springer, 2007. 
-  * [CIH] [[http://​www.ise.pw.edu.pl/​~cichosz|Paweł Cichosz]], //​[[http://​www.ise.pw.edu.pl/​~cichosz/​SU/​|Systemy uczące się]]//, WNT, 2000. 
-  * [KDA] [[http://​www.cioslab.vcu.edu/​index.html|Krzysztof Cios]] et al. //​[[http://​www.springer.com/​computer/​database+management+%26+information+retrieval/​book/​978-0-387-33333-5|Data Mining A Knowledge Discovery Approach]]//,​ Springer, 2007 [[http://​www.cioslab.vcu.edu/​Publications/​DMBook/​DMBook_Materials.htm|slajdy]] 
-  * [RSI] [[http://​www.recommenderbook.net/​|Recommender Systems - An Introduction]],​ [[http://​www.recommenderbook.net/​teaching-material/​tutorial-slides|tutorial]] 
-  * [IIR] [[http://​nlp.stanford.edu/​IR-book/​html/​htmledition/​irbook.html|Introduction to Information Retrieval]],​ [[http://​www.dcs.bbk.ac.uk/​~dell/​teaching/​ir/​|slajdy do kursu]] 
-  * [FCA] [[http://​www.cs.ubc.ca/​~poole/​|D. Poole]], [[http://​www.cs.ubc.ca/​~mack|A. Mackworth]],​ //​[[http://​artint.info|Artificial Intelligence:​ Foundations of Computational Agents]]//, Cambridge University Press, 2010, **[[http://​artint.info/​html/​ArtInt.html|ONLINE]]** 
- 
-Źródła ćwiczeń: 
-  * [ANG] [[http://​www.cs.stanford.edu/​people/​ang/​|Andrew Ng]] [[https://​www.coursera.org/​course/​ml|Coursera:​ Machine Learning]] 
-  * [ZMV] [[http://​www.cs.ccsu.edu/​~markov/​|Zdravko Markov]], //​[[http://​www.cs.ccsu.edu/​~markov/​ccsu_courses/​MachineLearning.html|CS570 - Topics in AI: Machine Learning]]//,​ oraz //​[[http://​www.cs.ccsu.edu/​~markov/​ccsu_courses/​mlprograms/​|Machine Learning Programs and Laboratory Experiments in Prolog]]//, 2003. 
- 
-Kursy on-line: 
-  * [[http://​www.cs.waikato.ac.nz/​~ihw|Ian Witten]], Data Mining with Weka: [[http://​wekamooc.blogspot.com/​]] [[https://​weka.waikato.ac.nz/​explorer]] 
-  * [[http://​www.cs.stanford.edu/​people/​ang/​|Andrew Ng]], Machine Learning: [[https://​www.coursera.org/​course/​ml]] 
- 
-Varia: 
-  * [[http://​www.cs.waikato.ac.nz/​ml/​weka/​|WEKA]] 
-  * [[https://​archive.ics.uci.edu/​ml/​|UCI ML repo]] 
-  * [[http://​www.cs.ccsu.edu/​~markov/​|Zdravko Markov]] and Daniel T. Larose [[http://​www.dataminingconsultant.com/​DMW.htm|Data Mining the Web: Uncovering Patterns in Web Content, Structure, and Usage]] 
-  * [[https://​www.lenwood.cc/​2014/​05/​13/​12-free-data-mining-books/​|14 Free (as in beer) Data Mining Books]] 
- 
-===== Ramowy plan wykładu 2016 ===== 
-  - Wstęp: organizacja zajęć, omówienie dziedziny, 2016-03-01 
-  - Wprowadzenie do ML i DT, przykłady, problemy, pojęcia, Weka [DMW:1], 2016-03-08 
-  - Modele w uczeniu maszynowym, zadania uczenia, klasyfikacja [FLA:1,2], 2016-03-15 
-  - Zadania klasyfikacji:​ atrybuty, modele i ich użycie w Weka [DMW:2,3] i [FLA:3], 2016-03-22 
-  - Kolokwium z lab,  
-  - Uczenie pojęć i drzew decyzyjnych i reguł [FLA:​4,​5,​6],​ [DMW:​4], ​ 
-  - Praktyka realizacji wybranych algorytmów i ewaluacja ich pracy [DMW:​5,​6], ​ 
-  - Repetytorium:​ [[mlrep1|części 1-3]] i [[mlrep2|części 4-6]] -- oba na podstawie [[http://​www.cs.bris.ac.uk/​~flach/​mlbook/​materials/​mlbook-beamer.pdf|slajdów z podręcznika P. Flacha]] 
-  - Wybrane modele liniowe [FLA:7], [DMW:4] regresja liniowa, perceptron, SVM, kernele, [[mlrep3|części 7-8]] 
-  - Wybrane modele odległościowe [FLA:8]: sąsiedztwo,​ kNN, K-means, dendogramy, [[mlrep3|części 7-8]] 
-  - Wybrane modele probabilistyczne [FCA] [[http://​artint.info/​html/​ArtInt_138.html|6]],​ [[http://​artint.info/​html/​ArtInt_196.html|7.8]] 
-  - Systemy rekomendujące:​ [[http://​www.recommenderbook.net/​|Recommender Systems - An Introduction]],​ [[http://​www.recommenderbook.net/​teaching-material/​tutorial-slides|tutorial]] 
-  - Narzędzia do ML 
-  - ML a IR: [[http://​nlp.stanford.edu/​IR-book/​html/​htmledition/​irbook.html|Introduction to Information Retrieval]],​ [[http://​www.dcs.bbk.ac.uk/​~dell/​teaching/​ir/​|slajdy do kursu]] 
-  - Przegląd i podsumowanie 
- 
-Slajdy z wykładów: 
-  * [[http://​www.cs.bris.ac.uk/​~flach/​mlbook/​materials/​mlbook-beamer.pdf|FLA]] 
-  * [[http://​www.cs.waikato.ac.nz/​ml/​weka/​Slides3rdEd_Ch1-5.zip|DMW]] [[http://​www.cs.waikato.ac.nz/​ml/​weka/​Slides3rdEd_Ch6-6.zip|DMW]] 
-===== Ramowy plan laboratorium ===== 
-Adres serwera: charon.kis.agh.edu.pl 
- 
-  - [[.:​lab1|Laboratorium 1]] - Wprowadzenie do Octave () 
-  - [[.:​lab2|Laboratorium 2]] - Uczenie pojęć () 
-  - [[.:​2014lab3|Laboratorium 3]] - Drzewa decyzyjne ​ 
-  - [[.:​2014lab4|Laboratorium 4]] - Reguły asocjacyjne ​ 
-  - **Kolokwium z lab 1-4** - wykład ​ 
-  - [[.:​lab4|Laboratorium 5]] - Regresja Liniowa ​ 
-  - [[.:​lab5|Laboratorium 6]] - Regresja Logistyczna ​ 
-  - [[.:​lab6|Laboratorium 7]] - Sztuczne sieci neuronowe ​ 
-  - [[.:​lab6|Laboratorium 8]] - Sztuczne sieci neuronowe ​ 
-  - [[.:​lab8|Laboratorium 9]] - Bias/​Variance ​ 
-  - **Kolokwium z lab 5-9**  
-  - [[.:​lab9|Laboratorium 10]] - Support Vector Machines ​ 
-  - [[.:​lab10|Laboratorium 11]] - Klasteryzacja ​ 
-  - [[.:​lab11|Laboratorium 12]] - Systemy rekomendacyjne i detekcja anomalii ​ 
-  - [[.:​lab12|Laboratorium 13]] - Sieci Bayesowskie - wprowadzenie ​ 
-  - [[.:​lab13|Laboratorium 14]] - Sieci Bayesowskie  ​ 
-  - **Kolokwium z lab 10-14** ​ 
- 
-===== Egzamin ===== 
-  * I Termin: TBA 
-  * II Termin: TBA 
-  * III Termin: TBA 
-sala : TBA 
  
pl/dydaktyka/ml/start.txt · ostatnio zmienione: 2019/06/27 15:50 (edycja zewnętrzna)
www.chimeric.de Valid CSS Driven by DokuWiki do yourself a favour and use a real browser - get firefox!! Recent changes RSS feed Valid XHTML 1.0