1. Wprowadzenie do systemów uczących się 1.1. Uczenie maszynowe 1.2. Uczenie maszynowe a sztuczna inteligencja 1.3. Problemy, które rozwiązuje uczenie maszynowe 1.4. System informacyjny w sensie Pawlaka 1.5. System decyzyjny w sensie Pawlaka 1.6. Idea uczenia maszynowego 1.6.1. Problem uczenia maszynowego 1.6.2. Uczenie klasyfikatora 1.6.3. Wymiar Vapnika-Chervonenkisa 1.6.4. Metoda PAC 1.7. Uczenie nadzorowane 1.8. Uczenie nienadzorowane 1.9. Uczenie półnadzorowane 1.10. Uczenie przez wzmacnianie 1.11. Twierdzenie Nofree lunches 2. Metody wstępnego przetwarzania danych 2.1. Popularne zbiory rzeczywistych danych 2.2. Typy wartości w atrybutach 2.2.1. Typ numeryczny 2.2.2.Typkategorialny 2.3. Oczyszczanie danych 2.3.1. Praca z nieprawidłowymi wartościami 2.3.2. Uzupełnianie brakujących wartości 2.4. Redukcja wymiarowości systemu 2.4.1. Analiza głównych składowych 2.4.2. Nadzorowana redukcja wymiarowości za pomocą liniowej analizy dyskryminacyjnej 2.4.3. Ocena istotności atrybutów za pomocą korelacji 2.4.4. Inne metody redukcji wymiarowości danych 3. Uczenie modeli i ich metryki 3.1. Parametry wydajności 3.1.1. Dokładność globalna 3.1.2. Dokładność zbalansowana 3.1.3. Stopień prawidłowej trafności w klasę decyzyjną 3.1.4. Stopień prawidłowej nietrafności w klasę decyzyjną 3.1.5. Stopień błędnej trafności w klasę decyzyjną 3.1.6. Stopień błędnej nietrafności w klasę decyzyjną 3.1.7. Precyzja 3.1.8. Pełność 3.1.9. Wskaźnik F1 3.1.10. Dobór precyzji i pełności dla modelu 3.1.11. Krzywa ROC 3.2. Funkcje kosztu 3.2.1. Pojęcie funkcji kosztu 3.2.2. Błąd średniokwadratowy 3.2.3. Funkcja Hubera 3.2.4. Binarna entropia krzyżowa 3.2.5. Kategorialna entropia krzyżowa 3.2.6. Funkcja zawiasowa 3.3. Metody oceny wydajności modeli 3.3.1. Metoda "trenuj i testuj" 3.3.2. /t-krotna walidacja krzyżowa 3.3.3. Walidacja krzyżowa Monte Carlo 3.3.4. Wewnętrzna walidacja krzyżowa 3.3.5. Leave one out 3.3.6. Bootstrap 3.3.7.Bagging 3.3.8. Losowe lasy 3.4. Zjawisko przetrenowania i niedotrenowania modelu 3.4.1. Problem przetrenowania i niedotrenowania 3.4.2. Przyczyny niedotrenowania i przetrenowania modeli 3.4.3. Wykorzystanie podzbiorów walidacyjnych 3.4.4. Ewaluacja stopnia wytrenowania modelu na podstawie metody T&T 3.4.5. Obciążenie modelu 3.4.6. Wariancja modelu 3.5. Regularyzacja 3.5.1. Regularyzacja grzbietowa 3.5.2. Regularyzacja lasso 3.5.3. Regularyzacja ElasticNet 4. Wprowadzenie do sztucznych sieci neuronowych 4.1. Perceptron - podstawowa jednostka sieci neuronowej 4.2. Sztuczna sieć neuronowa 4.3. Funkcja aktywacji 4.3.1. Idea funkcji aktywacji 4.3.2. Popularne funkcje aktywacji 4.4. Metody optymalizacyjne 4.4.1. Metoda gradientu prostego 4.4.2. Momentum 4.4.3. Przyspieszony spadek wzdłuż gradientu 4.4.4. RMSProp 4.4.5. Adaptive moment estimation (Adam) 4.5. Uczenie sztucznej sieci neuronowej 4.6. Metody projektowania sieci neuronowych do klasyfikacji i regresji 5. Problemy uczenia głębokiego 5.1. Niestabilne gradienty 5.1.1. Metody inicjalizacji wag sieci neuronowych 5.1.2. Dobór funkcji aktywacji 5.1.3. Normalizacja wsadowa 5.1.4. Obcinanie gradientu 5.2. Regularyzacja 5.2.1. Wczesne zatrzymywanie 5.2.2. Dropout 5.3. Regularyzacja metodą Monte Carlo 5.4. Regularyzacja metodą max-norm 5.5. Metody projektowania sieci neuronowych odpornych na problemy uczenia głębokiego 6. Implementacja sieci neuronowych z zastosowaniem biblioteki TensorFlow 6.1. Keras 6.1.1. Instalacja w środowisku języka Python 6.1.2. Weryfikacja poprawności instalacji oraz wersji biblioteki 6.1.3. Wbudowane warstwy modeli sieci neuronowych 6.1.4. Podstawowe metody i atrybuty warstw 6.2. Tworzenie modeli z zastosowaniem interfejsu Keras 6.2.1. Sequential API 6.2.2. Functional API 6.2.3. Subclassing API 6.3. Wizualizacja, trening, ocena wydajności i zapisywanie modelu 6.4. Studium przypadku - budowa modelu decyzyjnego diagnozującego schorzenia układu krążenia 7. Wdrażanie wytrenowanych modeli w chmurze publicznej 7.1. Chmura publiczna 7.2. Usługi bezserwerowe 7.3. Google Cloud Platform 7.4. Wdrażanie modeli za pomocą Google Cloud Platform 7.5. Wykonywanie predykcji za pomocą wdrożonego modelu