Systemy wizyjne i uczenie maszynowe

Wykłady

1 Informacje wstępne    Dodatkowe
2. Uczenie się indukcyjne    Indukcja reguł
3. Drzewa decyzyjne - klasyfikacja         Komitety klasyfikatorów 
3a. Drzewa decyzyjne - regresja    Przetwarzanie atrybutów
4.  Liniowe metody klasyfikacji    Analiza danych – wykrywanie obserwacji odstających, uzupełnianie brakujących danych
5. Liniowe metody aproksymacji    Algorytmy ewolucyjne 
6. Sztuczne sieci neuronowe - aproksymacja    Sztuczne sieci neuronowe jako aproksymatory funkcji - rozszerzony wykład 
6a.  Sztuczne sieci neuronowe - klasyfikacja     
7.  Klasyfikator Bayesa     
8.  Klasyfikatory minimalnoodległościowe     
9.  Grupowanie danych     
10.  Konwolucyjne sieci neuronowe     
11.       
12.       
13.       
14.      

 

Ćwiczenia laboratoryjne

Symbol  Temat
MAT Matlab, Matlab tutorial, Instrukcje
DD Klasyfikacja danych za pomocą drzew decyzyjnych 
LMK Liniowe metody klasyfikacji 
LMA Liniowe metody aproksymacji 
SNA Wielowarstwowy perceptron do aproksymacji funkcji
SNK Wielowarstwowy perceptron do klasyfikacji
KM Klasyfikator minimalnoodległościowy | Zbiór danych
GD Grupowanie danych  | Zbiór danych
OO Opercje na obrazach
   

 

Warunki zaliczenia

  1. Obecność na zajęciach laboratoryjnych (dopuszczalna jedna nieobecność).
  2. Terminowa i samodzielna realizacja ćwiczeń laboratoryjnych i sprawozdań.
  3. Znajomość zadanego materiału oraz znajomość materiału prezentowanego na wykładzie.
  4. Zaliczone wszystkie sprawozdania.

Ocena końcową jest średnią z: 

  • ocen ze sprawozdań,
  • ocen za aktywność na zajęciach,
  • ocen z zadań dodatkowych.

Studenci, którzy mają aspiracje na ocenę bardzo dobrą powinni realizować zadania zamieszczane w punktach "Zadania dodatkowe dla ambitnych" w instrukcjach do poszczególnych ćwiczeń laboratoryjnych.

 

Wymagania odnośnie sprawozdania

  • Sprawozdania przesyłamy w postaci elektronicznej, w pliku pdf pod nazwą


SWiUM_Nazwisko_SymbolĆwiczenia_SymbolRoku.pdf


gdzie:
SymbolĆwiczenia znajduje się na początku każdej instrukcji (np. Mat, DD, LMK, GD), 
SymbolRoku zawiera rok, symbol kierunku i oznaczenie "S" dla studiów stacjonarnych lub "NS" dla studiów niestacjonarnych (rok_kierunek_S/NS)

Przykład prawidłowej nazwy pliku ze sprawozdaniem: SWiUM_Nowak_LMK_3_AiR_S.pdf
W temacie emaila proszę skopiować nazwę pliku ze sprawozdaniem j.w.

Sprawozdania niespełniające powyższych wymogów nie będą przyjmowane.

  • Wzór sprawozdania znajduje się na stronie internetowej. Na stronie tytułowej należy umieścić podstawowe informacje (ściśle według wzoru sprawozdania).
  • Sprawozdanie powinno zawierać:
    • A. Cel ćwiczenia.
    • B. Treść zadania.
    • C. Część teoretyczną.
    • D. Metodykę rozwiązania zadania, opis algorytmów, metod, danych.
    • E. Zestawienie i omówienie wyników.
    • F. Wnioski.
    • G. Kod źródłowy programu implementującego rozwiązanie zadania (jeśli nie znalazł się w części D).
  • W przypadku sekcji dwuosobowych, sprawozdanie (jedno na dwuosobową sekcję) przygotowują obie osoby w sekcji i obie są przygotowane do jego zaliczenia. W przypadku odrabiania ćwiczenia, każda osoba w sekcji wykonuje ćwiczenie oraz sprawozdanie samodzielnie ze zmienionym numerem sekcji – 10+nr_gr (pierwsza osoba w sekcji), 20+nr_gr (druga osoba w sekcji).
  • Sprawozdania oddajemy i zaliczamy na następnych zajęciach. Jeśli sprawozdanie oddane lub zaliczane jest później, ocena jest obniżana.
  • Treść sprawozdania powinna być czytelna. Należy jasno opisać zadanie i sposób jego rozwiązania oraz dać właściwe wnioski. Kolejne czynności i warianty rozwiązania powinny być opisane w kolejnych punktach sprawozdania (zatytułowanych) tak, aby można było powtórzyć badania i eksperymenty.
  • Metoda rozwiązania powinna być dokładnie opisana, podać algorytmy, schematy itp.
  • Wyniki powinny być zestawione w czytelnej formie, zanalizowane i zinterpretowane.
  • Wszystkie wątpliwości związane z ćwiczeniem lub "dziwne" wyniki należy przedyskutować z prowadzącym.
  • Należy zwrócić uwagę na staranny układ tekstu sprawozdania, numerację stron itp.