Repozytorium do przedmiotu Statystyczne Reguły Decyzyjne [223490-D] - Semestr zimowy 2022/2023
Wymagane oprogramowanie
W trakcie ćwiczeń będziemy korzystać z Pythona w notatniku Jupyter. Do uruchomienia materiałów wykorzystanych w trakcie ćwiczeń potrzebne jest następujące oprogramowanie:
- Python (użytkownicy Windowsa w łatwy sposób mogą pobrać Pythona z Anacondą)
- Jupyter Notebook lub Jupyter Lab
- Git
Kontakt
Imię i nazwisko: Łukasz Kraiński
Email: lkrain@sgh.waw.pl
Konsultacje przez MS Teams lub w Jajko (Budynek G) - po wcześniejszym uzgodnieniu
Prowadzący zajęcia
- wykłady: Bogumił Kamiński
- ćwiczenia: Łukasz Kraiński (Grupy 11, 13, 15), Mateusz Zawisza (Grupy 12, 14, 16)
Harmonogram
-
wykłady: wtorki, 8:00-9:40, G-Aula II
-
ćwiczenia: wtorki, 15:20-17:00 (Grupy 11 i 12), 17:10-18:50 (Grupy 13 i 14), 19:00-20:40 (Grupy 15 i 16), W-62
Wykłady
| Data | Temat |
|---|---|
| 2022-10-04 | Wprowadzenie do uczenia maszynowego |
| 2022-10-11 | Zarządzanie projektem analitycznym przy wykorzystaniu środowiska git i GitHub |
| 2022-10-18 | Metody oceny klasyfikatorów |
| 2022-10-25 | Regularyzacja w uczeniu maszynowym |
| 2022-11-08 | Modele nieparametryczne |
| 2022-11-15 | Wprowadzenie do programowania w języku Julia |
| 2022-11-22 | Julia for data analysis: rozdziały 2-4 |
| 2022-11-29 | Julia for data analysis: rozdziały 5-7 |
| 2022-12-06 | Julia for data analysis: rozdziały 8-9 |
| 2022-12-13 | Julia for data analysis: rozdział 10-11 |
| 2022-12-20 | Julia for data analysis: rozdział 12 |
| 2023-01-03 | Julia for data analysis: rozdział 13 |
| 2023-01-10 | Julia for data analysis: rozdział 14 |
| 2023-01-17 | Podsumowanie wykładu; Kolokwium zaliczeniowe |
Ćwiczenia
| # | Temat |
|---|---|
| 1 | Zajęcia organizacyjne; wprowadzenie do narzędzia Jupyter Notebook i uczenia maszynowego |
| 2 | Metody oceny jakości modeli klasyfikacyjnych |
| 3 | Modele uczenia nienadzorowanego |
| 4 | Modele oparte na drzewach (CART, Random Forest, XGBoost) |
| 5 | Deep Learning – przykład praktyczny |
| 6 | Konkurs modelarski |
| 7 | Zaliczenie komputerowe |
Literatura
- Materiały udostępniane na wykładzie
- Kamiński B. (2022), Julia for Data Analysis
- Gareth J., Witten D., Hastie T., Tibshirani R. (2021), An Introduction to Statistical Learning with Applications in R
- Hastie T., Tibshirani R., Friedman J. (2017), The Elements of Statistical Learning
- Mykel J. Kochenderfer, Tim A. Wheeler, And Kyle H. Wray (2022), Algorithms for Decision Making
- Stephen Boyd and Lieven Vandenberghe, Introduction to Applied Linear Algebra
- Kamiński B., Zawisza M. (2012), Receptury w R. Podręcznik dla ekonomisty
- VanderPlas J. (2016), Python Data Science Handbook
- Géron A. (2019), Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow
Zasady zaliczenia
- Kolokwium zaliczeniowe na wykładzie (50 punktów)
- Zaliczenie komputerowe na ćwiczeniach (50 punktów)
- Punkty dodatkowe:
- Prace domowe
- Konkurs w trakcie laboratorium
- Kurs: https://juliaacademy.com/p/introduction-to-dataframes-jl1 (5 punktów) - proszę przesyłać certyfikat ukończenia kursu na lkrain@sgh.waw.pl
Ocena końcowa
| Od | Do | Ocena |
|---|---|---|
| 0 | 49 | 2.0 |
| 50 | 59 | 3.0 |
| 60 | 69 | 3.5 |
| 70 | 79 | 4.0 |
| 80 | 89 | 4.5 |
| 90 | 100 | 5.0 |