|
WYKŁADY:
-
Informacje organizacyjne.
Wprowadzenie do AI.
- slajdy z wykładu
-
Regresja liniowa. Funkcja kosztu, algorytm gradient descent. Szybkość uczenia. Regresja dla wielu zmiennych. Feature scaling. Normal equation.
- slajdy z wykładu
-
Regresja logistyczna. Problemy high bias/variance - under/overfitting, regularyzacja. Diagnozowanie błędów algorytmu, walidacja modelu, krzywe uczenia.
- slajdy z wykładu
- prosty przykład regresji logistycznej: link
-
Sieci neuronowe i deep learning. Model neuronu i warstwowej sieci neuronowej. Propagacja wsteczna. Dane wejściowe, inicjalizacja. Over-fitting. Funkcje aktywacji i kosztu, optymalizatory.
Parametry precision, recall, f1-score.
- slajdy z wykładu
- przykład sieci neuronowej (dla danych MNIST): link
-
Uczenie nienadzorowane. Klasteryzacja i metoda k-means. Redukcja wielowymiarowości, algorytm PCA. Detekcja anomalii.
- slajdy z wykładu
-
Uczenie ze wzmocnieniem. Agent, akcje, środowisko, nagrody. Q-learning, podejścia policy-based i value-based, DQN, A3C. Zastosowania: gry, robotyka, nawigacja pojazdów.
- slajdy z wykładu
|
|
|
|
