Systemy uczące się 1000-2N09SUS

1. Wprowadzenie (1 wykład): Podstawowe pojęcia w teorii uczenia się
2. Uczenie dopasowania modelu do danych (3-4 wykłady): Problem klasyfikacji, metody oceniania klasyfikatorów, Naive Bayes, kNN, reguły decyzyjne. Drzewo decyzyjne, lasy decyzyjne. Sztuczne sieci neuronowe: perceptron i podstawowe struktury sieci.
3. Aproksymacja funkcji i pojęć (3 wykłady): Algorytmy "Gradient descent" oraz "propagacji wstecznej" Regresja logistyczna, SVM: działanie, funkcje błędu i metody regulacji, nieliniowe SVM ...
4. Teoria uczenia się (3 wykłady): Model PAC w teorii uczenia się, Wymiar VC, Wzmocnienie słabych klasyfikatorów (Bagging & boosting). Redukcja problemu klasyfikacji: od wielu klas do 2 klas, cost-sensitive, ranking;
5. Uczenie beznadzoru (3 wykłady): Clustering. K-means. Metody EM (Expectation-Maximization). Analiza składowych głównych: PCA. MDS. pPCA.
Analiza składowych niezależnych: ICA.
6. Uczenie ze wzmocnieniem (2 wykłady): MDP (Markov decision processes), Bellman equations. Algorytmy TD(?) learning (Temporal-difference learning) oraz Q-learning