Jakub Wróblewski > Zajęcia dydaktyczne > Analiza danych

Slajdy z wykładu stanowią materiał uzupełniający (przypomnienie głównych zagadnień) i nie powinny być traktowane jako jedyne źródło wiedzy wymaganej na egzaminie. Źródłem takim powinny być notatki z wykładu i ćwiczeń oraz zalecana literatura.
Tematy oznaczone na slajdach jako "dygresja" nie będą wymagane na egzaminie.

• Wykład 1 -PDF-. Plan wykładu. Podstawowe pojęcia, przegląd podejść.
• Wykład 2 -PDF-. Podstawowe pojęcia (c.d.), graficzna prezentacja danych, histogramy.
• Wykład 3 -PDF-. Wskaźniki położenia i rozproszenia. Wstęp do estymacji parametrycznej.
• Wykład 4 -PDF-. Prawo wielkich liczb, centralne twierdzenie graniczne. Estymatory. Zasada największej wiarogodności.
• Wykład 5 -PDF-. Zależność danych w próbce. Regresja liniowa. Dyskryminacja liniowa.
• Wykład 6 -PDF-. Estymacja przedziałowa. Testowanie hipotez.
• Wykład 7 -PDF-. Probabilistyczne metody klasyfikacji. Naiwny klasyfikator bayesowski.
• Wykład 8 -PDF-. Schematy testowania klasyfikatorów: cross-validation, leave-one-out. Algorytm k-najbliższych sąsiadów.
• Wykład 9 -PDF-. Budowa drzew decyzyjnych. Entropia.
• Wykład 10 -PDF-. Reguły decyzyjne i ich parametry. Algorytm AQ i CN2. Reguły asocjacyjne, algorytm Apriori.
• Wykład 11 -PDF-. Metody grupowania (analiza skupień). Algorytm k-means, centroidów, minimalnego drzewa rozpinającego. Podsumowanie. Problem indukcji i selekcji cech.
-->

Literatura podstawowa:

• J. Koronacki, J. Mielniczuk. Statystyka dla studentów kierunków technicznych i przyrodniczych. WNT, Warszawa 2001.
• P. Cichosz. Systemy uczące się. WNT, Warszawa 2000.

Literatura uzupełniająca:

• A. Webb. Statistical Pattern Recognition. Wiley, 2002.
• S. Osowski. Sieci neuronowe w ujęciu algorytmicznym. WNT, Warszawa 1997.
• J. Jakubowski, R. Sztencel. Wstęp do teorii prawdopodobieństwa. SCRIPT, Warszawa 2001.