1. Wstęp + podstawy
2. Metody przeszukiwania ślepego
3. Metody przeszukiwania heurystyczne
4. MSI jako metody indukcji wiedzy
5. Wstępne przetwarzanie danych
6. Metody grupowania danych
   • Metody oceny generalizacji
   • Algorytm kwantyzacji wektorów
   • Algorytm gazu neuronowego oraz sieci SOM
   • Grupowaniem hierarchicznym
7. Metody uczenia z nauczycielem (klasyfikacja i regresja)
   • Klasyfikator liniowy (MSE / Perceptron Rosenblatta)
   • Klasyfikator k najbliższych sąsiadów
   • Sieć neuronowa typu LVQ
   • Sieci neuronowe typu RBF
   • Sieci neuronowe typu MLP
8. Sieci neuronowe typu Hopfielda

1. Wstęp + podstawy
2. Wstępne przetwarzanie danych
3. Metody grupowania danych
   • Algorytm kwantyzacji wektorów
   • Algorytm gazu neuronowego oraz sieci SOM
   • Grupowaniem hierarchicznym
   • Praktyczne aspekty grupowania danych
4. Metody uczenia z nauczycielem (klasyfikacja i regresja)
   • Klasyfikator liniowy (MSE / Perceptron Rosenblatta)
   • Klasyfikator k najbliższych sąsiadów
   • Sieć neuronowa LVQ, RBF, MLP
   • Drzewa decyzji
   • Łączenie klasyfikatorów (Bugging, Boosting, Voting itp.)
5. Selekcja cech
   • Metody oceny jakości cech
   • Metody bazujące na przeszukiwaniu
   • Metody rankingowe
6. Elementy praktyczne
   • Tworzenie zbiorów danych
   • Analiza testów (TextMining)
   • Analiza dziennika logów
   • Automatyczna analiza obrazów

• Algorytmy Inteligencji Obliczeniowej
• Zaawansowana analiza danych - w. zbiorczy UWAGA: Treści analiza danych biznesowych oraz Zaawansowana analiza danych sa bardzo zbliżone, część slajdów jest identyczna

/

• Introduction
• Clustering
• Neural networs Overview
• kNN and LVQ networks
• MLP neural networks

Podstawą zaliczenia jest obecność na wszystkich laboratoriach oraz pozytywne zaliczenie kolokwium. W przypadku nie zaliczenia kolokwium będą wyznaczone dodatkowe terminy zaliczenia (w sumie 2 dodatkowe terminy i nic więcej!!!)

Treści zajęć laboratoryjnych

1. Podstawy matlaba
2. Właściwości aproksymacji
3. Metody przeszukiwania ślepego
   1. Materiały do laboratorium
4. Grafy podstawy
5. Algorytm Dijkstry
   1. Materiały do laboratorium
6. Algorytm A*
   1. Materiały do laboratorium
7. Algorytmy genetyczne i problem komiwojażera
8. Algorytmy testowania/Podstawy cz.2
9. Klasyfikator liniowy
10. kNN
11. ENN i CNN
12. lvq
13. Sieci neuronowe typu MLP
    1. materiały do laboratorium
14. Grupowanie danych cz.1
    1. Dane do lab
15. Grupowanie danych cz.2
    1. Dane do lab
16. Metody klasyfikacji
    1. Dane do lab
17. Selekcja cech cz.1
18. Selekcja cech cz.2
19. RBF oraz SVM
20. Drzewa decyzji cz.1
21. Drzewa decyzji cz.2 (drzewa heterogeniczne)
22. Łączenie modeli i meta uczenie cz. 1
23. Łączenie modeli i meta uczenie cz. 2
24. Wartości brakujące
    1. materiały do laboratorium
25. Szeregi czasowe
    1. materiały do laboratorium
26. Konkurs

1. Wstęp i podstawy RapidMiner
2. Algorytmy testowania
3. Drzewa decyzji i Indukcja reguł
4. Preprocessing danych
5. Klasyfikator najbliższego sąsiada i metody selekcji protoypów
6. Algorytmy klasyfikacji (kNN,MLP,SVM,LDA,QDA)
7. Komitety i złożone modele predykcyjne
8. Selekcja cech
9. Metody grupowania danych
10. Analiza szeregów czasowych
    1. Materiały
11. Szeregi czasowe huta
12. Przetwarzanie tekstów (NLP)
13. Analiza logów
14. Projekt/konkurs
15. Analiza zbioru German Credit
16. Web Mining

1. Algorytm k-średnich
2. Algorytm hierarchiczny
3. Test krzyżowy i co wpływa na jakość predykcji
4. Klasyfikator kNN i Selekcja Instancji
   • Materiały
5. Klasyfikator drzew decyzji
6. Sieci neuronowe typu MLP
   • Materiały

• Wstęp
• Sieci nauronowe
• Model liniowy i systemy wieloklasowe
• Jakość uczenia i generalizacja
• Sieci MLP
• Grupowanie danych
• kNN i sieci LVQ
• Sieci RBF
• Selekcja cech
• Systemy rozmyte i neuronoworozmyte
• Grafy i Metody przeszukiwania

System ekspertowy to program komputerowy wspomagające pracę człowieka w określonej dziedzinie. Wspomaganie pracy człowieka odbywa się na zasadzie podpowiedzi uzyskiwanych poprzez zbudowany zbiór reguł i faktów. Podstawą do budowy systemu ekspertowego jest wiedza zdobyta od prawdziwego eksperta w danej dziedzinie.

1. Zajęcia organizacyjne
2. Dedukcja i indukcja
3. Systemy regułowe i ich budowa
4. Instalacja oraz podstawy języka i programowania CLIPS
5. CLIPS bardziej zaawansowane narzędzia językowe
6. Automatyczna budowa systemów regułowych na podstawie danych doświadczalnych
   • Algorytm sekwencyjnego pokrywania
   • Algorytmy drzew decyzji
7. Rozmyte systemy ekspertowe
   • Logika rozmyta podstawy
   • Operatory rozmyte
   • Systemy reguł rozmytych
8. Automatyczna indukcja reguł rozmytych (ANFIS)

• Systemy ekspertowe
• Rachunek zdań
• Systemy ekspertowe cd
• CLIPS
• Systemy regulowe
• Jakosc uczenia i generalizacja
• Indukcja regul
• Drzewa decyzji
• Zbiory rozmyte

• Lab 1, Lab 2 - Clips - Budowa systemu ekspertowego
• Lab 2 - Indukcja reguł - Drzewa decyzji i systemy ekstrakcji reguł
• Lab 3 - FIS Matlab1 - Budowa rozmytego systemu wnioskowania na bazie Matlab
• Lab 4 - FIS Matlab1 - Budowa systemu neuronowo-rozmytego na bazie Matlab

Alternatywnie

• Lab 3 FIS Pro - Budowa rozmytego systemu wnioskowania na bazie FIS Pro

W zadaniu podział na cz. treningową i testową musi być dokonany przynajmniej 5 razy i dla każdego przypadku wyznaczyć dokładność, a następnie policzyć średnią, aby obliczona dokładność była wartością miarodajną. Wykres funkcji błędu uczenia (err) wystarczy zrobić tylko raz dla maksymalnej liczby iteracji (300) natomiast obliczona dokładność musi być wyznaczona osobno dla 10,30,50,100,200,300 iteracji. Dla każdego zbioru danych zarówno dla genfis1 i genfis3 proszę wykreślić zależność dokładności w funkcji liczby iteracji oraz dla genfis3 proszę wykreślić dokładność w funkcji liczby klasterów. Ze względu na problemy ze złożonością obliczeniową proszę się ograniczyć do dwóch dowolnych zbiorów danych np. iris oraz WBC lub pima.

Podstawą zaliczenia jest obecność na wszystkich laboratoriach oraz pozytywne zaliczenie dwóch kolokwiów. W przypadku nie zaliczenia któregoś z kolokwiów będą wyznaczone dodatkowe terminy zaliczenia (w sumie 2 dodatkowe terminy na każde kolokwium)

• Systemy ekspertowe: http://aitech.pl/content/blogcategory/46/142/lang,ISO-8859-2/
• CLIPS
  • strona domowa http://clipsrules.sourceforge.net/.
  • Ciekawy tutorial prezentujący podstawy CLIPS:http://iweb.tntech.edu/bhuguenard/ds6530/ClipsTutorial/tableOfContents.htm
  • Wstęp do CLIPS przez A. Ligenza http://home.agh.edu.pl/~ligeza/wiki/clips:deftem
• A. Niederliński Regułowo-Modelowe Systemy Ekspertowe, wyd. Jacka Skalmierskiego ,2006
• P. Cichosz: Systemy uczące się, WNT, Warszawa, 2000
• A. Piegat Modelowanie i sterowanie rozmyte, wyd EXIT, 1998
• J. Koronacki, J Ćwik „Statystyczne systemy uczące się”
• L. Breiman, J. Friedman, C.J. Stone ,R.A. Olshen Classification and Regression Trees