Statystyczne uczenie maszynowe 2 7404-StaUczMasz
1. Wprowadzenie do uczenia maszynowego.
2. Modele graficzne: pola losowe Markowa, sieci bayesowskie.
3. Algorytm EM („Expectation-Maximization”).
4. Analiza składowych głównych.
5. ,,Rzadka'' analiza składowych głównych.
6. Teoria procesów empirycznych.
7. Statystyczna analiza algorytmów.
W cyklu 2021/22L:
jak w części A |
Całkowity nakład pracy studenta
Efekty uczenia się - wiedza
Metody dydaktyczne podające
Rodzaj przedmiotu
Wymagania wstępne
Koordynatorzy przedmiotu
Kryteria oceniania
Egzamin pisemny – W1, W2
Literatura
1. L. Devroye, L. Gyorfi, G. Lugosi: „A probabilistic theory of pattern recognition”, Springer, 1996.
2. J. Koronacki, J. Ćwik: „Statystyczne systemy uczące się”. Wydaw. Naukowo-Techniczne, Warszawa, 2006.
3. T. Hastie, R. Tibshirani, J. Friedman: „The Elements of Statistical Learning”, Springer, 2009.
4. S. Shalev-Shwartz, S. Ben-David: „Understanding Machine Learning: From Theory to Algorithms”, Cambridge University Press, 2014.
W cyklu 2021/22L:
jak w części A |
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: