Uczenie maszynowe - proste algorytmy i ich ocena

Zagadnienia:

• radzenie sobie z niedoskonałymi danymi
• metody wyznaczania trafności klasyfikowania
• krzywa ROC — na jakich wymiarach jest opisana, do czego odnoszą się punkty w przestrzeni ROC, charakterystyczne punkty w tej przestrzeni
• algorytmy k-means i k-NN

Materiały:

Obowiązkowe:

• wykład
• http://en.wikipedia.org/wiki/Receiver_operating_characteristic (do rozdziału Curves in ROC space włącznie)

Uzupełniające

• http://www.cs.waikato.ac.nz/~eibe/Slides2edRev2.zip (na zajęcia zwłaszcza rozdział 5 slajdy 56-60)
• http://www.cs.waikato.ac.nz/~ml/weka/
• http://stats.stackexchange.com/questions/82162/kappa-statistic-in-plain-english

Plan:

1. Zapoznanie się z pozostałymi wskaźnikami oferowanymi przez program WEKA:

• kappa
• ROC Area

2. Sprawdzenie i porównywanie różnych metod testowania:

• use training set
• percentage split
• cross-validation

3. Zapozanie się z algorytmami:

• k-NN (klasyfikacja)
• SimpleKMeans (grupowanie)
• Simple Linear Regression
• Apriori

Algorytm grupowania - K-means

Interaktywna wizualizacja: http://stanford.edu/class/ee103/visualizations/kmeans/kmeans.html
Opis: http://www.cezarywalenciuk.pl/post/2012/12/19/Algorytm-centroidow-K-Srednie.aspx

Pliki dla Weki

pogoda,bank,dom,supermarket

Sprawozdanie

• kNN w Wece to IBk

szablon