|
WYKŁADY:
-
Informacje organizacyjne.
Wprowadzenie do AI: czym jest AI, wpływ na nas.
- slajdy z wykładu
-
Regresja liniowa. Funkcja kosztu, algorytm gradient descent. Szybkość uczenia. Regresja dla wielu zmiennych. Feature scaling, feature extraction. 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
-
Drzewa decyzyjne, lasy losowe, gradient boosting. Algorytm k najbliższych sąsiadów (k-nn). Metoda wektorów nośnych SVM.
- slajdy z wykładu
-
Uczenie nienadzorowane. Klasteryzacja i metoda k-means. Redukcja wielowymiarowości, algorytm PCA. Detekcja anomalii.
- slajdy z wykładu
|
|
|
|
