Wykład
- Wstęp, organizacja zajęć
- Wyciąganie wniosków z danych: slajdy, tablica
- Modele uczenia maszynowego: slajdy, tablica
- Analitycznie czy numerycznie?
- Aproksymacja średniokwadratowa
- Mały potok uczenia maszynowego – notatnik Jupyter-a
- Kto źle zapnie pierwszy guzik, ten nie zapnie się jak należy
- Metoda maksymalnej wiarygodności: slajdy, tablica
- Metoda Bayesa
- Pochodne macierzowe
- Teoria estymacji
- Optimization and deployment of NN – Grzegorz Latosinski z Antmicro
- Klasyfikacja – podejście probabilistyczne, kryteria optymalizacji i ewaluacji
- Grupowanie
- Reprezentacje cech
- Rozkłady macierzy: SVD
Ćwiczenia
- Wstęp, organizacja zajęć
- Podstawy algebry, które powinni nauczyć matematycy, ale nie nauczyli
- Macierz reprezentuje przekształcenie liniowe
- Bazy kocie, smerfne i sobacze
- Rezonanse a wektory i wartości własne
- Klasyfikacja jako optymalizacja
- Regresja logistyczna
- Macierzowa reprezentacja zbioru danych
- Aproksymacja średniokwadratowa: część 1, część 2
- Metoda maksymalnej wiarygodności i metoda Bayesa: część 1, część 2, część 3
- Podejście bayesowskie
- Wspólna część dwóch Gaussów
Ćwiczenia lato – poprawka
- Wstęp, organizacja zajęć, o prawd. warunkowym
- Starszy chłopiec nazywa się Bożydar
- Dane o urodzeniach
- Palenie chroni przed wadami genetycznymi: tablica, notatnik Jupytera
- Rodzaje rozkładów na przykładzie zagadnienia regresji
- Regresja z jedną cechą
- Uczenie analityczną i numeryczną metodą optymalizacji
- Uczenie modelu regresji logistycznej
- Co to jest entropia krzyżowa?
- Metoda maksymalnej wiarygodności kontra metoda Bayesa
- Metoda Bayesa – rozkminka
- Od metody maksymalnej wiarygodności do metody Bayesa
