Serwisy internetowe Uniwersytetu Warszawskiego Nie jesteś zalogowany | zaloguj się
katalog przedmiotów - pomoc

Interaktywne uczenie maszynowe

Informacje ogólne

Kod przedmiotu: 1000-2M21IUM Kod Erasmus / ISCED: 11.3 / (0612) Database and network design and administration
Nazwa przedmiotu: Interaktywne uczenie maszynowe
Jednostka: Wydział Matematyki, Informatyki i Mechaniki
Grupy:
Punkty ECTS i inne: 6.00
zobacz reguły punktacji
Język prowadzenia: angielski
Rodzaj przedmiotu:

monograficzne

Wymagania (lista przedmiotów):

Statistical machine learning 1000-317bSML

Założenia (lista przedmiotów):

Data mining 1000-2M03DM
Systemy uczące się 1000-2N09SUS

Skrócony opis:

W czasie zajęć przedstawione zostaną techniki interaktywnej eksploracji danych i konstruowania modeli uczenia maszynowego. W szczególności, omówione zostaną techniki aktywnego uczenia oraz wizualnej eksploracji danych.

Pełny opis:

Najważniejsze tematy poruszane w czasie zajęć

1. Aktywne uczenie

2. Wybór przykładów do efektywnego uczenia modeli

3. Metody aktualizacji modeli

4. Batchowe aktywne uczenie

a. Zapewnienie różnorodności batcha

b. Miary reprezentatywności przykładów

5. Optymalizacja doboru przykładów dla ekspertów

6. Metody osiągania konsensusu etykiet

7. Niepewność modeli jako informatywność

8. Dryft pojęć oraz interaktywna adaptacja modeli

9. Interaktywne odkrywanie anomalii w danych

10. Counterfactual explanations w kontekście redukcji niepewności

11. Semi-supervised learning - używanie modelu do wygenerowania danych uczących na nieoznaczonym kawałku zbioru

12. Interaktywna inżynieria cech

13. Wizualna eksploracja danych

14. Wybrane zagadnienia z dziedziny life-long learning

Literatura:

1. B. Settles: Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning, Morgan & Claypool Publishers 2012

2. Y. Xu, F. Sun, X. Zhang: Literature survey of active learning in multimedia annotation and retrieval. In Proceedings of the Fifth International Conference on Internet Multimedia Computing and Service (ICIMCS '13). ACM, New York, NY, USA, 237–242. 2013.

3. S.-J. Huang, R. Jin, and Z.-H. Zhou. Active learning by querying informative and representative examples. IEEE Transactions on Pattern Analysis and Machine Intelligence, 36(10):1936–1949, Oct. 2014.

4. S. Sinha, S. Ebrahimi, and T. Darrell. Variational adversarial active learning. In 2019 IEEE/CVF International Conference on Computer Vision (ICCV). IEEE, Oct. 2019.

5. R. Khan, M. Gubanov: WebLens: Towards Interactive Large-scale Structured Data Profiling CIKM 2020

6. H. H. Aghdam, A. Gonzalez-Garcia, A. Lopez, and J. Weijer. Active learning for deep detection neural networks. In 2019 IEEE/CVF International Conference on Computer Vision (ICCV). IEEE, Oct. 2019.

Efekty uczenia się:

Po zakończeniu kursu uczestnicy posiądą szeroką wiedzę na temat technik aktywnego uczenia oraz interaktywnego konstruowania modeli ML. W szczególności:

Wiedza i umiejętności:

1. Znają najważniejsze techniki AL.

2. Znają podstawowe metody wyboru podzbioru instancji danych do etykietowania.

3. Znają podstawowe techniki uaktualniania modeli ML w oparciu o nowe dane.

4. Potrafią ewaluować skuteczność technik AL.

5. Znają podstawowe metody ustalania konsensusu przy etykietowaniu instancji danych przez wielu ekspertów.

6. Znają podstawowe techniki identyfikowania anomalii w danych.

7. Znają techniki interaktywnej eksploracji danych oraz wizualnej analizy danych.

8. Zna najważniejsze aktualne trendy w dziedzinie aktywnego uczenia.

Kompetencje:

1. Potrafią przygotować raport z badania efektywności systemu aktywnego uczenia.

2. Potrafią zaprezentować wyniki analizy danych.

3. Potrafią zaprojektować system pozyskiwania wiedzy od ekspertów dziedzinowych w celu trenowania oraz uaktualniania modeli predykcyjnych.

Metody i kryteria oceniania:

Ocena końcowa jest ustalana podstawie sumy punktów z laboratorium i egzaminu.

Dodatkowo, studenci szkoły doktorskiej mogą zaliczać przedmiot przez przygotowanie specjalnego projektu związanego z praktycznym wykorzystaniem AL.

Zajęcia w cyklu "Semestr letni 2021/22" (jeszcze nie rozpoczęty)

Okres: 2022-02-21 - 2022-06-15
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Laboratorium, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Andrzej Janusz
Prowadzący grup: Andrzej Janusz, Daniel Kałuża
Lista studentów: (nie masz dostępu)
Zaliczenie: Zaliczenie na ocenę
Uwagi:

Przedmiot prowadzony jest wyłącznie dla studentów kierunku machine learning. Studenci innych kierunków nie będą rejestrowani.

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski.