1.Pojęcia wstępne uczenia maszynowego 2.Modele regresji liniowej 2.1.Ogólny model regresji liniowej 2.2.Zastosowanie dekompozycji SVD w regresji liniowej 2.3.Implementacja regresji liniowej 3.Klasyfikatory KNN 4.Klasyfikatory probabilistyczne Bayesa 4.1.Pełny klasyfikator Bayesa 4.2.Naiwny klasyfikator Bayesa 4.3.Implementacja naiwnego klasyfikatora Bayesa w Matlabie 5.Drzewa decyzyjne 5.1.Struktura drzewa decyzyjnego 5.2.Algorytm tworzenia drzewa decyzyjnego 5.3.Implementacja modelu drzewa decyzyjnego 5.4.Las losowy drzew decyzyjnych 6.Sieć neuronowa MLP 6.1.Struktura sieci 6.2.Algorytmy uczące sieci MLP 6.3.1.Wyznaczanie gradintu metodą propagacji wstecznej 6.3.2.Algorytmy gradientowe uczenia sieci 6.3.3.Program komputerowy do uczenia sieci MLP w Matlabie 6.4.Przykłady użycia sieci MLP w aproksymacji danych 6.5.Praktyczne wskazówki doboru struktury sieci MLP 7.Sieć radialna RBF 7.1.Struktura sieci RBF 7.2.Algorytmy uczące sieci RBF 7.2.1.Zastosowanie algorytmu samoorganizacji i dekompozycji SVD 7.2.2.Algorytm OLS 7.3.Program komputerowy do uczenia sieci radialnej w Matlabie 7.4.Przykłady zastosowania sieci RBF 7.4.1.Aproksymacja funkcji nieliniowych 7.4.2.Problem 2 spiral 7.4.3.Sieć RBF w kalibracji sztucznego nosa 8.Sieć wektorów nośnych SVM 8.1.Sieć liniowa SVM w zadaniu klasyfikacji 8.2.Sieć nieliniowa SVM w zadaniu klasyfikacji 8.3.1.Interpretacja mnożników Lagrange'a w rozwiązaniu sieci 8.3.2.Problem klasyfikacji przy wielu klasach 8.4.Sieci SVM do zadań regresji 8.5.Przegląd algorytmów rozwiązania zadania dualnego 8.6.Program komputerowy uczenia sieci SVM w Matlabie 8.7.Przykłady implementacji uczenia sieci SVM 8.8.Porównanie sieci SVM z innymi rozwiązaniami neuronowymi 9.Sieci głębokie 9.1.Sieć konwolucyjna CNN 9.2.1.Struktura sieci CNN 9.2.2.Podstawowe operacje w sieci CNN 9.2.3.Uczenie sieci CNN 9.3.Transfer Learning 9.4.Przykład użycia sieci ALEXNET w trybie transfer learning 9.5.Inne rozwiązania pre-trenowanej architektury sieci CNN 9.6.Sieci CNN do detekcji obiektów w obrazie 9.6.1.SiećYOLO 9.6.2.Sieć R-CNN 9.6.3.Sieć U-NET w segmentacji obrazów biomedycznych 9.7.Autoenkoder 9.7.1.Struktura autoenkodera 9.7.2.Funkcja celu 9.7.3.Proces uczenia 9.7.4.Przykład zastosowania autoenkodera w kodowaniu danych 9.8.Podstawy działania autoenkodera wariacyjnego 9.9.Sieci generatywne GAN 9.10.Głębokie sieci rekurencyjne LSTM 9.10.1.Zasada działania sieci LSTM 9.11. Sieci transformerowe 9.11.1.Enkoder 9.11.2.Dekoder 9.11.3.Uczenie sieci 9.11.4.Inne zastosowania sieci transformerowych 10.Zagadnienia generalizacji i zespoły sieci 10.1.Pojęcie generalizacji 10.2.Miara VCdim i jej związek z generalizacją 10.3.Metody poprawy zdolności generalizacji sieci 10.4.Problem generalizacji w sieciach głębokich 10.5.Zespoły sieci do polepszenia zdolności generalizacji 10.5.1.Struktura zespołu i metody integracji 10.5.2.Warunki właściwego działania zespołu 10.6.Techniki tworzenia silnych rozwiązań na bazie słabych predyktorów 10.6.1.AdaBoost 10.6.2.Gradient boosting 11.Transformacje i metody redukcji wymiaru danych 11.1.Transformacja PCA 11.1.1.Istota przekształcenia PCA 11.1.2.Implementacja przekształcenia PCA w Matlabie 11.1.3.Zastosowanie PCA w kompresji 11.1.4.PCA w zastosowaniu do ilustracji rozkładu danych wielowymiarowych 11.2.Przekształcenie LDA Fishera 11.3.Ślepa separacja sygnałów 11.3.1.Sformułowanie problemu ślepej separacji 11.3.2.Algorytmy bazujące na statystykach drugiego rzędu 11.3.3.Metody bazujące na statystykach wyższego rzędu 11.3.4.Toolbox ICALAB w Matlabie 11.4.Rzutowanie Sammona 11.5.Transformacja tSNE 12.Metody grupowania danych wielowymiarowych 12.1.Miary odległości między wektorami 12.2.Miary odległości między klastrami 12.3.Algorytm K-means grupowania 12.4.Algorytm hierarchiczny grupowania 12.5.Algorytmy rozmyte grupowania 12.6.1.Algorytm grupowania górskiego 12.6.2.Algorytm c-means 12.7.Miary jakości grupowania danych 12.7.1.Miary jakości grupowania danych nieprzypisanych do klas 12.7.2.Miary jakości grupowania danych przypisanych do klas 13.Wybrane metody generacji i selekcji cech diagnostycznych 13.1.Metody generacji cech diagnostycznych 13.2.Metody selekcji cech diagnostycznych 13.3.1.Metoda dyskryminacyjna Fishera 13.3.2.Metoda korelacji danych z klasą 13.3.3.Zastosowanie jednowejściowej sieci SVM 13.3.4.Zastosowanie wielowejściowej liniowej sieci SVM 13.3.5.Selekcja cech bazująca na sekwencji eliminacji krokowej 13.3.6.Selekcja przy zastosowaniu algorytmu genetycznego 13.3.7.Zastosowanie testu statystycznego Kolmogorova-Smirnova 13.3.8.Zastosowanie testu Wilcoxona-Manna-Whitneya 13.3.9.Selekcja przy zastosowaniu transformacji PCA 13.3.10.Selekcja przy zastosowaniu transformacji LDA 13.3.11.Selekcja przy zastosowaniu lasu losowego 13.3.12.Selekcja cech przy użyciu algorytmu Refieff 13.3.13.Selekcja przy użyciu metody NCA 13.3.14.Metoda MRMR 14.Metody oceny jakości rozwiązań 14.1.Miary jakości regresji 14.2.Badanie jakości rozwiązań w zadaniach klasyfikacji 14.2.1.Miary jakości klasyfikatora 14.2.2.Charakterystyka ROC 14.3.Metody poprawy jakości klasyfikatora 14.3.1.Metoda różnicowania kosztu błędnej klasyfikacji 14.3.2.Metody równoważenia klas 14.3.3.Problemy klasyfikacji wieloklasowej 14.4.Obiektywna ocena zdolności generalizacyjnych systemu eksploracji 15.Adaptacyjne systemy rozmyte 15.1.Podstawy matematyczne systemów rozmytych 15.2.Systemy wnioskowania 15.3.Struktura systemu rozmytego TSK typu ANFIS 15.4.Algorytm uczenia sieci ANFIS 15.5.Zastosowanie algorytmu grupowania rozmytego c-means w tworzeniu reguł wnio¬skowania 15.6.Zmodyfikowana struktura sieci TSK