Jakub M. Tomczak
Department of Computer Science
Wrocław University of Technology


Koło Naukowe "ESTYMATOR"

Jesteśmy studenckim kołem naukowym, w którego skład wchodzą studenci i doktoranci Wydziału Informatyki i Zarządzania Politechniki Wrocławskiej. Celem naszego koła jest poszerzanie wiedzy i śledzenie nowych trendów w dziedzinie uczenia maszynowego (ang. machine learning).

Plan spotkań

LP
Prowadzący
Temat
Opis
Materiały
1 Adam Gonczarek
[WWW]
WPROWADZENIE Wprowadzenie do uczenia maszynowego. Podstawowe problemy. Przegląd zastosowań. Projekty naszej grupy.
2 Jakub Tomczak
[WWW]
PODSTAWY TEORETYCZNE Podstawy probabilistyki. Teoria decyzji i wnioskowanie. Modelowanie i uczenie. Problem overifittingu i klątwa wymiarowości.
3 Adam Gonczarek
[WWW]
REGRESJA LINIOWA Rozkłady Gaussa. Problem regresji i model regresji liniowej. Algorytmy uczenia. Podejście częstościowe i Bayesowskie. Selekcja modelu.
4 Jakub Tomczak
[WWW]
REGRESJA LOGISTYCZNA Rozkłady dyskretne. Problem klasyfikacji i model regresji logistycznej. Algorytmy uczenia. Klasyfikacja z wieloma klasami. Wstęp do sieci neuronowych.
5 Adam Gonczarek
[WWW]
SUPPORT VECTOR MACHINE Twierdzenie Mercera. Funkcje jądra. Klasyfikatory max-margin i soft-margin. Problemy prymalne i dualne. Pojęcie wektora wspierającego. Kernel trick. Uczenie SVM.
6 Adam Gonczarek
[WWW]
KLASTERYZACJA Problem klasteryzacji. Algorytm k-means. Mieszanina rozkładów Gaussa. Pojęcie zmiennej ukrytej. Algorytm Expectation-Maximization.
7 Jakub Tomczak
[WWW]
REDUKCJA WYMIARÓW Problem redukcji wymiarów. Rozmaitości liniowe. Metoda Principal Component Analysis. Zmienne ukryte typu ciągłego. Metoda Probabilistic PCA.



Notatki i materiały

  • Algorytmy algebry numerycznej: LU decomposition, Cholesky decomposition, SVD (Maciej Drwal) [TUTAJ]

  • Wprowadzenie do złożoności obliczeniowej (Maciej Drwal) [TUTAJ]

  • Analiza zawartości dokumentów za pomocą probabilistycznych modeli grafowych (Jakub M. Tomczak) [TUTAJ]



    -powrót do aktualności-