Dr inż. Katarzyna Palikowska
Politechnika Gdańska

Tematyka warsztatów dotyczy metod eksploracji danych (data mining) i obejmuje metody odkrywania modeli (klasyfikacja, predykcja) oraz metody grupowania. Przedstawiony zostanie cel procesu klasyfikacji – znalezienie modelu na podstawie danych ze zbioru uczącego a następnie zastosowanie odkrytego modelu do predykcji klasy nowego obiektu o nieznanej przynależności oraz cel grupowania – podział zbioru obiektów na klasy obiektów o podobnych cechach (klastry, skupienia). Omówione zostaną metody automatycznej klasyfikacji i grupowania wchodzące w zakres sztucznej inteligencji, uczenia maszynowego i statystyki: metody uczenia z nauczycielem (supervised learning), metody uczenia bez nauczyciela (unsupervised learning) oraz techniki redukcji wymiaru danych i analizy wielowymiarowej. Metody uczenia z nauczycielem zostaną przedstawione na przykładzie sztucznych sieci neuronowych (Artificial Neural Networks) oraz metody wektorów nośnych (Support Vector Machines). Omówiony zostanie proces przygotowania danych, przebieg procesu uczenia, metody oceny wyników klasyfikacji, w tym oceny zdolności do generalizacji. Metody uczenia bez nauczyciela (unsupervised learning) obejmą między innymi metodę k-średnich (k-means). Zostanie przedstawiona również metoda analizy składowych głównych (Principal Component Analysis) oraz skalowanie wielowymiarowe (Multidimensional scaling). Podkreślone zostaną możliwości praktycznego zastosowania wspomnianych metod w dziedzinach takich jak diagnostyka
medyczna, sekwencjonowanie genomu, rozpoznawanie mowy, pisma itd. Etapy budowy oraz działanie klasyfikatorów i metod grupujących zostaną zademonstrowane na przykładowych zbiorach danych pochodzących z Machine Learning Repository University of California Irvine http://archive.ics.uci.edu/ml/datasets.html. Wykorzystane zostanie oprogramowanie SciLab/Octave/Matlab oraz pakiet statystyczny R http://www.r-project.org.