Uczenie maszynowe - wstęp
Uczenie nadzorowane - wstęp
Narzędzia i konfiguracja środowiska
Przygotowanie danych do modelu
-
Przygotowanie danych do modelu - wykład (8:27)
-
Przygotowanie danych do modelu - ćwiczenie cz. 1 (16:23)
-
Przygotowanie danych do modelu - ćwiczenie cz. 2 (9:39)
-
Przygotowanie danych do modelu - ćwiczenie cz. 3 (11:17)
-
Braki danych - wykład (9:28)
-
Braki danych - ćwiczenie (12:42)
-
Braki danych w szeregach czasowych - ćwiczenie (7:49)
-
Ekstrakcja cech - wykład (8:52)
-
Ekstrakcja cech - ćwiczenie (10:41)
-
Zbiór treningowy, zbiór walidacyjny i zbiór testowy - wykład (14:01)
-
Zbiór treningowy, zbiór walidacyjny i zbiór testowy - ćwiczenie (19:39)
-
Wybór biblioteki do uczenia maszynowego (9:07)
------REGRESJA-----
Regresja liniowa
-
Regresja liniowa - wykład (10:46)
-
Regresja liniowa - równanie normalne - wykład (3:48)
-
Regresja liniowa - równanie normalne - ćwiczenie (5:36)
-
Regresja liniowa - spadek wzdłuż gradientu - wykład (10:29)
-
Regresja liniowa - spadek wzdłuż gradientu - ćwiczenie (7:14)
-
Regresja liniowa - spadek wzdłuż gradientu - pułapki (9:53)
-
Regresja liniowa w R2 - ćwiczenie (12:15)
-
Regresja liniowa w R2 - zbiór treningowy, testowy - ćwiczenie (9:34)
-
Regresja liniowa - case study - wprowadzenie (13:05)
-
Regresja liniowa - case study - ćwiczenie (16:36)
-
Regresja liniowa - case study - eliminacja wsteczna (5:40)
-
Regresja liniowa - case study - eliminacja wsteczna - automatyzacja (4:37)
Regresja wielomianowa
Regresja drzew decyzyjnych
Regresja - ocena modelu
-----KLASYFIKACJA-----
Regresja logistyczna
K-najbliższych sąsiadów
Drzewa decyzyjne
Uczenie zespołowe - lasy losowe
Maszyna wektorów nośnych
Naiwny klasyfikator bayesowski
Klasyfikacja - ocena modelu
-----DOBÓR MODELU-----
Dobór modelu
------CASE STUDIES-----
Case Study I - rozpoznawanie cyfr
Case Study II - klasyfikacja obrazów
Case Study III - analiza sentymentu - recenzje filmowe
