Środowisko

• Python 3
• PyCharm

Przydatne linki

• Dokumentacja języka Python 3

Literatura do wykładu

1. Müller, Andreas C., Sarah Guido — Introduction to machine learning with Python: a guide for data scientists.
2. Matthes, Eric. — Python crash course: A hands-on, project-based introduction to programming.
3. Raschka, Sebastian, Yuxi Hayden Liu, and Vahid Mirjalili — Machine Learning with PyTorch and Scikit-Learn: Develop machine learning and deep learning models with Python.

Omówiony materiał

1. (2h) Wprowadzenie do pojęć uczenia maszynowego: dane treningowe, model, trening. k-Nearest Neighbors jako przykład modelu klasyfikacyjnego: implementacja "ręczna" (numpy) i z użyciem scikit-learn. Materiały.
2. (2h) Uzupełnienie opisu k-Nearest Neighbors. Słowniki w Pythonie. Przykłady modeli: regresja liniowa, klasyfikator logistyczny, drzewa decyzyjne (z implementacją przy użyciu sklearn). Materiały.
3. (1h) Elementarz algebry liniowej; pojęcie przestrzeni, wymiaru, wektora. Wstęp do przekształceń liniowych. Slajdy.