Data Mining Lab @ PUT

adversarial_machine_learning

2018-04-14T01:17:40+02:00

analiza-skupien_literatura

2015-06-15T00:08:22+02:00

manuskrypty i księgi * interaktywna animacja prezentująca algorytm k-średnich * ogólny przegląd metod analizy skupień * indeks Daviesa-Bouldina * algorytm K-Means * algorytm K-Medoids * algorytm DBScan * algorytm EM

analiza_skupien

2020-05-26T18:46:05+02:00

Analiza skupień Celem laboratorium jest zapoznanie studentów z podstawowymi pojęciami związanymi z analizą skupień: pojęciem miary odległości, dostępnymi miarami odległości, oraz algorytmami k-średnich, algorytmami opartymi na gęstości, oraz algorytmami analizy skupień dla tekstu.

blood_and_sand

2014-06-10T14:31:10+02:00

Blood & Sand Na arenie spotykają się wojownicy, aby uprawiać swój stary krwawy sport. Każda walka zawsze dotyczy dwóch wojowników. Walka może mieć wiele rund i kończy się śmiercią lub ucieczką jednego z walczących. W każdej rundzie walki wojownik może zdecydować się atakować, zrobić unik lub uciekać (ucieczka jest możliwa dopiero od drugiej rundy walki, próba ucieczki w pierwszej rundzie jest karana wyszydzeniem i utratą -20 punktów siły). Każdy wojownik wstępuje na arenę z siłą +100 pun…

clustering_eng

2020-05-26T18:16:18+02:00

Clustering methods The main aim of the laboratory is to present basic notions pertaining to cluster analysis: metrics, distance measures, agglomerative clustering algorithms, density-based clustering algorithms, and clustering algorithms for text.

cs4hs

2013-12-07T01:27:48+02:00

warsztaty w ramach programu CS4HS

czarodziejska_holowizja

2015-04-13T02:00:16+02:00

This page is redirected to visions_from_the_house_of_undying.

decision_trees_eng

2020-05-11T10:46:34+02:00

Decision trees The main goal of the exercise is to familiarize students with decision tree induction methods and purity metrics. RapidMiner * Start RapidMiner * Create a simple workflow in which you read in dataset and run Decision Stump operator. Look at the model and see how the change in the split criterion influences the model. Change Decision Stump to Decision Tree and once again investigate the model. Turn off pre-processing and post-processing to see the full model. * Add the…

drzewa_decyzyjne_1

2020-05-04T12:56:35+02:00

Drzewa decyzyjne Celem laboratorium jest zapoznanie studentów z podstawowymi metodami indukcji drzew decyzyjnych. Rapid Miner * Uruchom narzędzie RapidMiner * Utwórz prosty przepływ polegający na wczytaniu zbioru danych i uruchomieniu operatora Decision Stump. Obejrzyj uzyskany model. Sprawdź, w jaki sposób zmiana kryterium podziału zbioru wpływa na kształt modelu. Zamień operator Decision Stump na operator Decision Tree i ponownie zbuduj oraz przeanalizuj model. Następnie wyłącz pre…

drzewa_decyzyjne_2

2017-04-21T00:42:06+02:00

Drzewa decyzyjne (część II) W drugiej części laboratorium studentki i studenci zapoznają się z metodami tworzenia drzew decyzyjnych w środowisku scikit-learn Przed rozpoczęciem ćwiczenia zapoznaj się z krótkim wprowadzeniem do Jupyter Notebook. Jeśli chcesz, możesz też zapoznać się z dłuższym wprowadzeniem.

drzewa_decyzyjne_literatura

2014-04-12T13:18:34+02:00

manuskrypty i księgi * Induction of Decision Trees, R.Quinlan, Machine Learning 1: 81-106, 1986, Kluwer Academic Publishers, Boston * Random Forests, Breiman, Leo. Machine learning 45.1 (2001): 5-32. * Random Decision Forests, T.Kam Ho, vol. 1, pp.278, Third International Conference on Document Analysis and Recognition (ICDAR'95) * Theoretical Comparison between the Gini Index and Information Gain Criteria , L.E.Raileanu, K.Stoffel, Annals of Mathematics and Artificial Intelligence,…

ed-sum

2019-06-14T01:10:54+02:00

Prowadzący dr hab. inż. Mikołaj Morzy, prof. nadzw. telefon: 61 665 2961 email: Mikolaj.Morzy@put.poznan.pl Instytut Informatyki Politechniki Poznańskiej, ul. Piotrowo 2, 60-965 Poznań Miejsce przedmiotu w programie studiów Przedmiot obowiązkowy na II stopniu studiów magisterskich uzupełniających na kierunku Informatyka, specjalność Technologie Przetwarzania Danych

ekstrakcja_cech

2020-06-02T18:54:34+02:00

Ekstrakcja cech Rapid Miner * Uruchom narzędzie RapidMiner * Utwórz nowy przepływ i umieść w nim zbiór danych . Pamiętaj, że procedura PCA jest zależna od skal atrybutów, więc w celu uniknięcia błędu dokonaj standaryzacji atrybutów numerycznych (operator Normalize z opcją transformacji Z-transform). Zaaplikuj do zbioru danych operator Principal Component Analysis i postaraj się zachować 95% oryginalnej wariancji zbioru danych. Do ilu cech udało się ograniczyć zbiór danych? Czy potrafisz…

erasmus

2020-06-10T17:24:33+02:00

Teacher prof. Mikołaj Morzy phone: +48 61 665 2961 email: Mikolaj.Morzy@put.poznan.pl Institute of Computer Science Poznan University of Technology Piotrowo 2, 60-965 Poznan, Poland Aims The main aim of the subject is to teach students basic concepts of data mining, data analysis, and machine learning. Students learn concepts such as:

feature_extraction_eng

2020-06-02T19:10:14+02:00

Feature extraction RapidMiner * Start RapidMiner * Create a new workflow and import the dataset. Remember to assign the last feature as the label. Also, don't forget that PCA depends on the scale of features, so you must perform feature normalization (operator Normalize, use Z-transform mapping). * Apply Principal Component Analysis to the normalized dataset and try to retain 95% of the original variation. How many features are left in the dataset? Can you interpret new features? *…

gazecie_zakladowej

2018-04-14T01:16:24+02:00

* Agnieszka Gontarek, Adversarial machine learning

historia_poznania

2013-10-19T12:19:17+02:00

laksjdf salkd sdkfj lsadkf asldkf asldfkj asldfas asldfkasldf saldf kasldf slkdjsalf saldf ksaldf asdfasdfasfasdfasdf

introduction-to-classification

2020-04-14T11:47:32+02:00

Introduction to classification The main aim of the exercise is to present basic notions related to classification, such as training set, testing set, cross-validation and confusion matrix. We will use Orange Data Mining and RapidMiner interfaces to perform the experiments.

kupcy_z_miasta_dal

2014-03-24T10:48:44+02:00

This page is redirected to kupcy_z_miasta_esgaroth.

kupcy_z_miasta_esgaroth

2014-04-07T07:57:41+02:00

Kupcy z miasta Esgaroth W mieście Esgaroth swoją siedzibę ma wiele gildii kupieckich, które zajmują się handlem. Kupcy z Esgaroth chcą się dowiedzieć, co powoduje, że niektórzy kupujący potrafią kupić setki sztuk rozmaitych towarów, a niektórzy zadowalają się nędznymi ochłapami. Czy da się przewidzieć z góry, jacy klienci przyniosą kupcom wiele złota, a których kupujących można śmiało wyrzucić za drzwi? Z tym oto pytaniem kupcy z Esgaroth zwrócili się do Rady Mędrców, która zleca Wam przepr…

laboratorium1-eng

2021-03-16T14:22:52+02:00

Data pre-processing : RapidMiner and Orange Data Mining Orange Data Mining * Start Orange * Put the operator File and open the heart disease dataset shipped with the program (explanation of the dataset) * Send the output of the File operator to the Data Table operator and investigate the data * Insert the Box Plot operator and send the data into the operator. Compare the way categorical and numerical features are displayed, including the grouping of feature values by annother feature, …

laboratorium1

2020-03-19T13:05:52+02:00

Podstawowe wstępne przetwarzanie danych : RapidMiner i Orange Data Mining W pierwszym tygodniu zapoznamy się z dwoma narzędziami przydatnymi w pracy każdego górnika danych, będą to Orange Data Mining i RapidMiner. W drugiej części laboratorium zobaczymy, jak podstawowe operacje na danych można przeprowadzić w języku Python.

laboratorium1_literatura

2015-03-15T11:10:18+02:00

manuskrypty i księgi obowiązkowe * notka blogowa o normalizacji, * wprowadzenie do wstępnego przetwarzania danych, Hyon Gyu Lee, Chungbuk National University, Korea opcjonalne * Chapter 3 "Data Preprocessing", Jiawei Han, Micheline Kamber and Jian Pei, Data Mining: Concepts and Techniques, 3rd Edition * "Data cleaning: Problems and current approaches." Rahm, Erhard, and Hong Hai Do. IEEE Data Engineering Bulletin 23.4 (2000): 3-13. …

laboratorium2

2014-03-10T14:31:21+02:00

Runda 2 : Wstępne przetwarzanie danych w Oracle Data Mining W tej rundzie poznajemy kolejne narzędzia z przybornika górnika. Przyglądamy się możliwości wstępnego przetwarzania danych w bazie danych za pomocą opcji Oracle Data Mining, zapoznajemy się z funkcjonalnością pakietu DBMS_DATA_MINING_TRANSFORM oraz bierzemy do ręki Oracle Data Minera. Przy okazji dowiadujemy się, ile te narzędzia kosztują...

laboratorium3-eng

2020-04-07T13:32:31+02:00

Association rule mining Rapid Miner * Start RapidMiner and create a new workflow. Use Read CSV operator to load , make sure that the comma is selected as the field separator. Indicate that the header row contains names of attributs. Run the workflow and examine the data. * Add Numerical to Nominal operator to change all numerical attributes to binary attributes. * Use FP-Growth operator to find all frequent itemsets. Set the number of itemsets to 100 (parameter find min number of items)…

laboratorium3

2017-03-15T00:21:57+02:00

Runda 2 : Ocena ważności atrybutów

laboratorium4

2013-04-08T23:52:11+02:00

This page is redirected to reguly_asocjacyjne.

laboratorium5a

2013-04-08T23:56:35+02:00

This page is redirected to wprowadzenie_do_klasyfikacji.

meta-metody-klasyfikacji

2020-06-10T22:25:25+02:00

Meta-metody klasyfikacji W tym tygodniu poznajemy meta-metody uczenia maszynowego. Dowiadujemy się, czy bezpośrednia demokracja (Voting) jest lepsza niż demokracja sterowana (Stacking) i dowiadujemy się, jak zastosować klasyfikator binarny do klasyfikacji danych zawierających więcej niż dwie klasy. A przede wszystkim uczymy się oszczędzać sobie czas wykonując setki eksperymentów za jednym pociągnięciem myszki.

meta-metody-klasyfikacji_literatura

2014-06-04T01:05:51+02:00

manuskrypty i księgi * Ensemble Learning, T.G.Detterich, The Handbook of Brain Theory and Neural Networks, Cambridge, MA * A brief introduction to boosting , R.E.Schapire, Proceedings of the Sixteenth International Joint Conference on Artificial Intelligence, 1401-1406, 1999 * Bagging predictors, L.Breiman, Machine Learning Volume 24, Number 2, 123-140, DOI: 10.1007/BF00058655 * An Empirical Comparison of Voting Classification Algorithms: Bagging, Boosting, and Variants, E.Bauer, …

naive_bayes_classifier

2020-05-06T16:30:46+02:00

Naive Bayes classifier to refresh your memory ... Let's use an example name birth milk? number of legs flies? division mouse live yes 4 no mammal lion live yes 4 no mammal whale live yes 2 no mammal kiwi egg no 2 no bird eagle egg no 2 yes …

naiwny_klasyfikator_bayesa

2020-04-21T15:50:29+02:00

Naiwny klasyfikator Bayesa W trakcie laboratorium uczymy się wygrywać w telewizyjnych teleturniejach, zgadywać do jakiej gromady należą nietoperze, ale też poznajemy naiwny klasyfikator Bayesa i sprawdzamy, jak ten model klasyfikatora zachowuje się na wybranych zbiorach danych.

naiwny_klasyfikator_bayesa_literatura

2014-04-06T11:38:18+02:00

manuskrypty i księgi * Naive (Bayes) at forty: The independence assumption in information retrieval, Lewis, David D., Machine learning: ECML-98. Springer Berlin Heidelberg, 1998. 4-15. * An empirical study of the naive Bayes classifier,I.Rish, IJCAI 2001 Workshop on Empirical Methods in Artificial Intelligence * A comparison of event models for naive bayes text classification, A.McCallum, K.Nigam, AAAI-98 workshop on learning for text, 1998 * An evaluation of naive bayesian anti-spa…

ocena_waznosci_atrybutow

2020-05-02T19:22:32+02:00

Ocena ważności atrybutów W tym tygodniu przedstawiamy metody oceny przydatności poszczególnych atrybutów w procesach eksploracji danych. W trakcie laboratorium zapoznajemy się z podstawowymi metodami identyfikacji atrybutów, które są nieprzydatne w zadaniach eksploracji. Będziemy badać zmienność wewnątrz atrybutów, korelację między atrybutami, a także będziemy wybierać zbiory atrybutów charakteryzujące się najbardziej pożądanymi cechami.

odkrywanie_regul_asocjacyjnych

2020-04-02T13:36:44+02:00

Odkrywanie reguł asocjacyjnych W tej rundzie pochylamy się nad problemem wzorców zakupowych występujących w koszykach zakupów. Analizujemy własności algorytmów FP-Growth i GSP i sprawdzamy, jak parametry minimalnego wsparcia (minsup) i minimalnej ufności (minconf) wpływają na uzyskiwane wyniki.

pisbi-association.rules

2015-05-10T08:14:14+02:00

Ćwiczenie 4: Odkrywanie reguł asocjacyjnych W tym ćwiczeniu zapoznajemy się z metodami odkrywania reguł asocjacyjnych. Analizujemy własności algorytów Apriori i FP-Growth i sprawdzamy, jak parametry minimalnego wsparcia (minsup) i minimalnej ufności (minconf) wpływają na uzyskiwane wyniki.

pisbi-attribute.importance

2015-05-10T08:09:49+02:00

Ćwiczenie 3 : Ocena ważności atrybutów W ćwiczeniu przedstawiamy metody oceny przydatności poszczególnych atrybutów w procesach eksploracji danych. W trakcie laboratorium zapoznajemy się z podstawowymi metodami identyfikacji atrybutów, które są nieprzydatne w zadaniach eksploracji. Będziemy badać zmienność wewnątrz atrybutów, korelację między atrybutami, a także będziemy wybierać zbiory atrybutów charakteryzujące się najbardziej pożądanymi cechami. A na początku zapoznamy się z zasadą minimali…

pisbi-drzewa.decyzyjne

2015-05-22T14:02:43+02:00

Drzewa decyzyjne Celem laboratorium jest zapoznanie studentów z podstawowymi metodami indukcji drzew decyzyjnych. Rapid Miner * Uruchom narzędzie RapidMiner 5 * Utwórz prosty przepływ polegający na wczytaniu zbioru danych Golf i uruchomieniu operatora Decision Stump. Obejrzyj uzyskany model. Sprawdź, w jaki sposób zmiana kryterium podziału zbioru wpływa na kształt modelu. Zamień operator Decision Stump na operator Decision Tree i ponownie zbuduj oraz przeanalizuj model. Następnie wyłą…

pisbi-gephi-1

2015-06-19T14:43:15+02:00

Analiza sieci społecznościowych w narzędziu Gephi (część I) Celem pierwszej części ćwiczenia jest zapoznanie się z narzędziem Gephi i wykonanie prostych analiz oraz wizualizacji sieci. W ramach ćwiczenia studenci zapoznają się z algorytmami rozkładu grafów, poznają ogólny interfejs narzędzia i wykonują samodzielnie ćwiczenie dotyczące wizualizacji grafu powiązań między postaciami z powieści W.Hugo "Nędznicy"

pisbi-gephi-2

2015-06-19T14:53:54+02:00

Analiza sieci społecznościowych w narzędziu Gephi (część II) W drugiej części ćwiczenia studenci uczą się korzystać z algorytmów badania modularności sieci oraz analizują sieci dynamiczne oraz ich własności. Samodzielne ćwiczenie studenci wykonują na sieci reprezentującej geopolityczne i ekonomiczne powiązania między krajami.

pisbi-gephi.zadanie

2015-06-19T14:59:29+02:00

Pobierz zbiór danych hero-social-network.gephi reprezentujący związki między superbohaterkami i superbohaterami ze wszechświata Marvel. Krawędź między dwoma postaciami reprezentuje fakt wystąpienia tych postaci w tym samym komiksie. Zbiór danych jest bardzo duży i obejmuje 10 000 postaci i 180 000 związków. Wykonaj następujące ćwiczenia:

pisbi-introduction.to.classification

2015-05-23T16:44:06+02:00

Wprowadzenie do klasyfikacji Celem laboratorium jest przedstawienie podstawowych pojęć wykorzystywanych w zadaniach klasyfikacji, takich jak: zbiór uczący, zbiór testujący, czy walidacja krzyżowa. W trakcie laboratorium sprawdzamy, jak wykonać najbardziej podstawowe algorytmy klasyfikacji w środowiskach Weka i RapidMiner.

pisbi-k.srednich

2015-05-23T00:46:41+02:00

pisbi-naiwny.klasyfikator.bayesa

2015-05-22T13:59:26+02:00

pisbi-pajek

2015-06-25T11:02:40+02:00

Analiza sieci społecznościowych w narzędziu Pajek (część I) Celem pierwszej części ćwiczenia jest zapoznanie się z narzędziem Pajek i wykonanie prostych analiz przy jego wykorzystaniu. Pajek to darmowy program do analizy sieci społecznościowych, przygotowany i napisany przez V.Batagelja i A.Mrvara z Uniwersytetu w Ljubljanie (Słowenia). Program jest dostępny pod adresem http://vlado.fmf.uni-lj.si/pub/networks/pajek/. Wraz z programem dostępne są:

pisbi-pajek.zadanie

2015-06-25T11:12:00+02:00

Pobierz zbiór danych centrality_literature.paj (opisany tutaj) reprezentujący cytowania między artykułami naukowymi dotyczącymi miar centralności w sieciach społecznościowych. Krawędź między dwoma wierzchołkami reprezentuje cytowanie jednej pracy przez inną pracę. Zbiór danych liczy 129 artykułów naukowych i 599 cytowań.

pisbi-visone

2015-06-25T10:53:29+02:00

Wizualizacja sieci społecznościowych w narzędziu Visone Celem ćwiczenia jest zapoznanie studentek i studentów z możliwościami przeprowadzenia analizy i wizualizacji sieci społecznościowych w narzędziu Visone. W ramach ćwiczenia uczymy się tworzyć grafy ręcznie, importować grafy w formacie CSV i GraphML, oraz budować różne wizualizacje sieci.

pisbi

2015-06-30T11:19:16+02:00

Prowadzący dr hab. inż. Mikołaj Morzy email: Mikolaj.Morzy@put.poznan.pl Instytut Informatyki Politechniki Poznańskiej, ul. Piotrowo 2, 60-965 Poznań Cele Celem przedmiotu jest zapoznanie słuchaczy z dwoma istotnymi narzędziami współczesnej analityki biznesowej: eksploracją danych (ang. data mining) oraz analizą sieci społecznościowych (ang. social network analysis). W trakcie wykładów słuchacze poznają najbardziej fundamentalne metody eksploracji danych: odkrywanie asocjacji, klasyfikacj…

poruszajaca_sie_rozdzka

2014-06-16T09:29:12+02:00

Ruchoma różdżka Jak donosi Gildia Czarodziejów, najnowsza generacja różdżek wyposażona jest w najnowocześniejsze zdobycze techniki, takie jak akcelerometry i żyroskopy. Te zdumiewające wytwory czarodziejskiej sztuki nie tylko pozwalają na automatyczne odkrycie ruchów, jakim poddawana jest różdżka, ale także (przy użyciu innego czarodziejskiego artefaktu zwanego transmisją komórkową) na przesłanie informacji o ruchach różdżki do centrali Gildii. Gildia Czarodziejów zwróciła się do Rady Męd…

projekt-r

2014-01-19T02:34:32+02:00

Runda 12 : Projekt R R to najpopularniejsze aktualnie narzędzie do statystycznej obróbki bardzo szerokiej gamy danych. Na Projekt R składa się sam język R (stanowiący modyfikację języka statystycznego S), ogromna liczba pakietów, oraz kilkanaście różnych IDE dla praktycznie wszystkich platform. W sieci dostępnych jest też bardzo wiele tutoriali i samouczków języka, jak również wiele książek poświęconych temu językowi.

projekty

2020-03-30T00:55:26+02:00

Poniżej prezentuję przykładowe projekty, które mogą być realizowane zamiast udziału w konkursie obliczeniowym na platformie Kaggle. Projekty te są bardziej wymagające, ale pozwalają znacznie głębiej wejść w tematykę uczenia maszynowego i nauczyć się rzeczy zdecydowanie wykraczających poza tematykę kursu.

projekty2019

2020-03-30T00:31:55+02:00

reguly_asocjacyjne

2013-04-27T12:28:07+02:00

This page is redirected to sum-association.rules.

roche.association.rules

2013-08-07T12:51:24+02:00

Odkrywanie reguł asocjacyjnych W tym ćwiczeniu zapoznajemy się z metodami odkrywania reguł asocjacyjnych. Analizujemy własności algorytów Apriori i FP-Growth i sprawdzamy, jak parametry minimalnego wsparcia (minsup) i minimalnej ufności (minconf) wpływają na uzyskiwane wyniki.

roche.attribute.importance

2013-08-07T11:18:31+02:00

Ocena ważności atrybutów W ćwiczeniu przedstawiamy metody oceny przydatności poszczególnych atrybutów w procesach eksploracji danych. W trakcie laboratorium zapoznajemy się z podstawowymi metodami identyfikacji atrybutów, które są nieprzydatne w zadaniach eksploracji. Będziemy badać zmienność wewnątrz atrybutów, korelację między atrybutami, a także będziemy wybierać zbiory atrybutów charakteryzujące się najbardziej pożądanymi cechami. A na początku zapoznamy się z zasadą minimalizacji długości…

roche.clustering

2013-08-19T02:41:05+02:00

Analiza skupień literatura * interaktywna animacja prezentująca algorytm k-średnich * ogólny przegląd metod analizy skupień * indeks Daviesa-Bouldina * algorytm K-Means * algorytm K-Medoids * algorytm DBScan * algorytm EM RapidMiner * Uruchom narzędzie RapidMiner 5 * Utwórz przepływ polegający na wczytaniu zbioru danych Iris i zbudowaniu modelu analizy skupień za pomocą bliźniaczych algorytmów k-Means i k-Medoids. Przed uruchomieniem algorytmów analizy skupień zredukuj lic…

roche.decision.trees

2013-08-08T18:44:01+02:00

Indukcja drzew decyzyjnych Celem laboratorium jest zapoznanie uczestników z podstawowymi metodami indukcji drzew decyzyjnych. W trakcie laboratorium uczestnicy wykonują ćwiczenia z użyciem oraz budują klasyfikator bezpośrednio w bazie danych przy użyciu . W drugiej części laboratorium przyjrzymy się, jak wykorzystać do budowy drzew decyzyjnych.

roche.feature.extraction

2013-08-20T11:36:42+02:00

Ekstrakcja cech literatura * "Algorithms for non-negative matrix factorization." Seung, D., and L. Lee. Advances in neural information processing systems 13 (2001): 556-562. * "Principal component analysis." Abdi, Hervé, and Lynne J. Williams. Wiley Interdisciplinary Reviews: Computational Statistics 2.4 (2010): 433-459.

roche.introduction.to.classification

2013-08-07T16:29:32+02:00

Wprowadzenie do klasyfikacji Celem laboratorium jest przedstawienie podstawowych pojęć wykorzystywanych w zadaniach klasyfikacji, takich jak: zbiór uczący, zbiór testujący, walidacja krzyżowa, czy macierz pomyłek. W trakcie laboratorium sprawdzamy, jak wykonać najbardziej podstawowe algorytmy klasyfikacji w środowiskach Weka i RapidMiner.

roche.meta.classification

2013-08-20T11:38:08+02:00

Meta-metody klasyfikacji literatura * Ensemble Learning, T.G.Detterich, The Handbook of Brain Theory and Neural Networks, Cambridge, MA * A brief introduction to boosting , R.E.Schapire, Proceedings of the Sixteenth International Joint Conference on Artificial Intelligence, 1401-1406, 1999 * Bagging predictors, L.Breiman, Machine Learning Volume 24, Number 2, 123-140, DOI: 10.1007/BF00058655 * An Empirical Comparison of Voting Classification Algorithms: Bagging, Boosting, and Variant…

roche.naive.bayes.classifier

2013-08-07T16:33:37+02:00

Naiwny klasyfikator Bayesa literatura * Naive (Bayes) at forty: The independence assumption in information retrieval, Lewis, David D., Machine learning: ECML-98. Springer Berlin Heidelberg, 1998. 4-15. * An empirical study of the naive Bayes classifier,I.Rish, IJCAI 2001 Workshop on Empirical Methods in Artificial Intelligence * A comparison of event models for naive bayes text classification, A.McCallum, K.Nigam, AAAI-98 workshop on learning for text, 1998 * An evaluation of naive bay…

roche.preprocessing.odm

2013-08-05T20:43:30+02:00

Wstępne przetwarzanie danych w Oracle Data Mining Oracle Data Miner * Uruchom narzędzie SQL*Developer * Utwórz nowe połączenie z bazą danych wykorzystując parametry podane przez prowadzącego * Skorzystaj ze skryptu aby utworzyć tabele i perspektywy wykorzystywane w ćwiczeniu. * Przejdź do opcji Tools→Data Miner→Make Visible i utwórz nowy projekt o nazwie Data Preparation. Następnie, kliknij prawym klawiszem myszy i dodaj do projektu przepływ (ang. workflow) o nazwie Normalizacja. Otwó…

roche.preprocessing

2013-08-07T16:30:12+02:00

Wstępne przetwarzanie danych w programach Weka i RapidMiner literatura * Chapter 3 "Data Preprocessing", Jiawei Han, Micheline Kamber and Jian Pei, Data Mining: Concepts and Techniques, 3rd Edition * notka blogowa o normalizacji, * wprowadzenie do wstępnego przetwarzania danych, Hyon Gyu Lee, Chungbuk National University, Korea * "Data cleaning: Problems and current approaches." Rahm, Erhard, and Hong Hai Do. IEEE Data Engineering Bulletin 23.4…

roche.regression.r

2013-08-20T00:18:24+02:00

This page is redirected to roche.regression.

roche.regression

2013-08-20T01:51:00+02:00

Regresja literatura * Introduction to regression, D.R.Abrams * Elements of Statistical Learning, T.Hastie, R.Tibshirani, J.Friedman (2008). Springer-Verlag. 763 pages. * regresja liniowa * regresja logistyczna * metoda najmniejszych kwadratów

roche.svm

2013-08-08T18:46:31+02:00

Support Vector Machines literatura * Introduction to Support Vector Machines, D.Boswell * An Introduction to Support Vector Machines for Data Mining, R.Burbidge, B.Buxton, Proc. 12th Conference Young Operational Research (YOR12), Nottingham, UK, 2011 * Support Vector Machines Explained, T.Fletcher, 2009

roche

2013-08-23T13:03:40+02:00

Prowadzący * dr hab. inż. Mikołaj Morzy telefon: 61 665 2961 email: Mikolaj.Morzy@put.poznan.pl Instytut Informatyki Politechniki Poznańskiej, ul. Piotrowo 2, 60-965 Poznań Wydział Informatyki, ul.Strzelecka 11, 60-965 Poznań Cele Celem kursu jest zapoznanie słuchaczy z podstawowymi technikami eksploracji danych i odkrywania wiedzy w bazach danych. Podczas laboratoriów słuchacze implementują i testują różne algorytmy eksploracji danych (określanie ważności atrybutów, odkrywanie cech, o…

scikit

2014-06-16T13:32:59+02:00

Runda 10: SciKit Learn : eksploracja danych w Pythonie W tej rundzie poznajemy bibliotekę SciKit Learn i uczymy się realizować zadania eksploracji danych przy użyciu programów pisanych w języku Python * API biblioteki: * przewodnik użytkownika:

start

2021-03-09T13:08:42+02:00

Prowadzący * dr hab. inż. Mikołaj Morzy, prof. PP telefon: 61 665 2961 email: Mikolaj.Morzy@put.poznan.pl Instytut Informatyki Politechniki Poznańskiej, ul. Piotrowo 2, 60-965 Poznań Miejsce przedmiotu w programie studiów Przedmiot obowiązkowy na II stopniu studiów magisterskich na kierunku Informatyka, specjalność Technologie Przetwarzania Danych

sum-association.rules.exercise

2013-04-27T13:19:59+02:00

Na co do kina? System rekomendacji filmów W Twoim schemacie znajdują się tabele MOVIES i RATINGS o następujących schematach: SQL> desc movies Name Null? Type ----------------------------------------- -------- ---------------------------- MID NOT NULL NUMBER YEAR NUMBER TITLE VARCHAR2(2000) SQL> desc ratings Name …

sum-association.rules

2019-03-22T22:35:35+02:00

sum-attribute.importance

2015-05-09T15:14:44+02:00

sum-clustering.exercise

2014-01-11T12:21:12+02:00

Grupowanie pracowników Na podstawie tabeli PRACOWNICY zbuduj perspektywę V_PRACOWNICY o poniższej strukturze: SQL> desc v_pracownicy Name Null? Type ----------------------------- -------- -------------------- NAZWISKO VARCHAR2(15) ETAT VARCHAR2(10) ROK NUMBER PLACA_POD NUMBER(6,2) PLACA_DOD NUMBER(6,2) …

sum-clustering

2014-01-11T12:20:13+02:00

Ćwiczenie 11 : Analiza skupień Celem laboratorium jest zapoznanie studentów z podstawowymi pojęciami związanymi z analizą skupień: pojęciem miary odległości, dostępnymi miarami odległości, oraz algorytmami k-średnich, algorytmami opartymi na gęstości, oraz algorytmami opartymi na zasadzie EM (ang. expectation maximization). W trakcie laboratorium studenci wykonują ćwiczenia z użyciem Rapid Minera oraz wykorzystują Orace Data Mining do zbadania wpływu redukcji wymiaru na uzyskiwane wyniki.…

sum-data.preprocessing.odm

2013-03-24T12:26:13+02:00

Ćwiczenie 2 : Wstępne przetwarzanie danych w Oracle Data Mining Oracle Data Miner * Uruchom narzędzie SQL*Developer * Utwórz nowe połączenie z bazą danych wykorzystując parametry podane przez prowadzącego * Przejdź do opcji Tools→Data Miner→Make Visible i utwórz nowy projekt o nazwie Data Preparation. Następnie, kliknij prawym klawiszem myszy i dodaj do projektu przepływ (ang. workflow) o nazwie Normalizacja. Otwórz przepływ w edytorze graficznym * Upewnij się, że widzisz okno Componen…

sum-data.preprocessing.orange

2019-03-22T21:33:56+02:00

Celem laboratorium jest zapoznanie studentów ze środowiskiem Orange Data Mining. W ramach ćwiczenia prezentowany jest interfejs narzędzia, możliwości wizualizacji zbiorów danych, algorytmy do odkrywanai asocjacji, klasyfikatory, algorytmy uczenia nienadzorowanego, a także możliwość pisania własnych skryptów.

sum-data.preprocessing

2019-03-22T22:22:26+02:00

Wstępne przetwarzanie danych w programach Weka i RapidMiner do poczytania * Chapter 3 "Data Preprocessing", Jiawei Han, Micheline Kamber and Jian Pei, Data Mining: Concepts and Techniques, 3rd Edition * notka blogowa o normalizacji, * wprowadzenie do wstępnego przetwarzania danych, Hyon Gyu Lee, Chungbuk National University, Korea * "Data cleaning: Problems and current approaches." Rahm, Erhard, and Hong Hai Do. IEEE Data Engineering Bulletin 2…

sum-drzewa_decyzyjne_1

2015-06-18T14:16:13+02:00

Ćwiczenie 7 : Drzewa decyzyjne (część I) Celem laboratorium jest zapoznanie studentów z podstawowymi metodami indukcji drzew decyzyjnych. W trakcie laboratorium studenci wykonują ćwiczenia z użyciem oraz budują klasyfikator bezpośrednio w bazie danych przy użyciu .

sum-drzewa_decyzyjne_2

2018-06-08T15:27:25+02:00

Ćwiczenie 8 : Drzewa decyzyjne (część II) W drugiej części laboratorium studentki i studenci zapoznają się z metodami tworzenia drzew decyzyjnych w środowisku Oracle Data Mining a także poznają rolę macierzy kosztów w budowie modeli oraz porównują ze sobą modele przy użyciu krzywej ROC.

sum-ekstrakcja_cech

2015-01-09T18:35:07+02:00

Ekstrakcja cech Rapid Miner * Uruchom narzędzie RapidMiner 5 * Utwórz nowy przepływ i umieść w nim zbiór danych Iris. Pamiętaj, że procedura PCA jest zależna od skal atrybutów, więc w celu uniknięcia błędu dokonaj standaryzacji atrybutów numerycznych (operator Normalize z opcją transformacji Z-transform). Zaaplikuj do zbioru danych operator Principal Component Analysis i postaraj się zachować 95% oryginalnej wariancji zbioru danych. Do ilu cech udało się ograniczyć zbiór danych? Czy potraf…

sum-introduction.to.classification

2013-06-16T11:08:42+02:00

Ćwiczenie 5: Wprowadzenie do klasyfikacji Celem laboratorium jest przedstawienie podstawowych pojęć wykorzystywanych w zadaniach klasyfikacji, takich jak: zbiór uczący, zbiór testujący, walidacja krzyżowa, czy macierz pomyłek. W trakcie laboratorium sprawdzamy, jak wykonać najbardziej podstawowe algorytmy klasyfikacji w środowiskach Weka i RapidMiner.

sum-meta-metody-klasyfikacji

2013-12-13T20:12:56+02:00

Ćwiczenie 10: Meta-metody klasyfikacji W trakcie tego laboratorium poznajemy meta-metody uczenia maszynowego. Dowiadujemy się, czy bezpośrednia demokracja (Voting) jest lepsza niż demokracja sterowana (Stacking) i dowiadujemy się, jak zastosować klasyfikator binarny do klasyfikacji danych zawierających więcej niż dwie klasy. A przede wszystkim uczymy się oszczędzać sobie czas wykonując setki eksperymentów za jednym pociągnięciem myszki.

sum-naive.bayes.classifier

2015-06-14T17:49:12+02:00

Ćwiczenie 6 : Naiwny klasyfikator Bayesa W trakcie laboratorium uczymy się wygrywać w telewizyjnych teleturniejach, zgadywać do jakiej gromady należą nietoperze, ale też poznajemy naiwny klasyfikator Bayesa i sprawdzamy, jak ten model klasyfikatora zachowuje się na wybranych zbiorach danych.

sum-projekt-r

2015-01-09T18:41:14+02:00

Język R R to najpopularniejsze aktualnie narzędzie do statystycznej obróbki bardzo szerokiej gamy danych. Na Projekt R składa się sam język R (stanowiący modyfikację języka statystycznego S), ogromna liczba pakietów, oraz kilkanaście różnych IDE dla praktycznie wszystkich platform. W sieci dostępnych jest też bardzo wiele tutoriali i samouczków języka, jak również wiele książek poświęconych temu językowi.

sum-regresja.exercise

2014-01-11T12:22:03+02:00

Przewidywanie pensji Na podstawie tabeli PRACOWNICY zbuduj perspektywę V_PRACOWNICY o poniższej strukturze: SQL> desc v_pracownicy Name Null? Type ----------------------------- -------- -------------------- NAZWISKO VARCHAR2(15) ETAT_ORD NUMBER ROK NUMBER PLACA_POD NUMBER(6,2) PLACA_DOD NUMBER(6,2) ZESPOL_…

sum-regresja

2014-01-11T12:21:39+02:00

Ćwiczenie 12: Regresja Celem laboratorium jest zapoznanie studentów z podstawowymi pojęciami związanymi z metodami regresji: regresją liniową, logarytmiczną i logitową. W trakcie laboratorium studenci wykonują ćwiczenia z użyciem Orace Data Mining do zbudowania prostego modelu regresji.

sum-spam.exercise

2014-01-25T13:35:54+02:00

Identyfikacja spamu Otrzymujecie Państwo do dyspozycji zbiór danych, który zawiera informacje o 4600 wiadomościach e-mail. Część z nich to wiadomości niechciane (spam), część to poprawne wiadomości. Każda wiadomość jest opisana za pomocą wektora zawierającego częstotliwość wystąpień charakterystycznych słów i znaków. Dodatkowo, wiadomo ile w każdej wiadomości wystąpiło znaków interpunkcyjnych oraz jak długie były ciągi znaków pisanych dużymi literami. Częstotliwość wystąpienia słowa to iloraz…

sum-svm.exercise

2013-12-13T20:37:18+02:00

Separacja wrogich plemion W odległej Elbonii dwa plemiona, Czerwońcy i Niebieszczacy, od lat toczą straszliwą i wyniszczającą wojnę. Wykorzystaj operator Generate Data do wygenerowania 1000 punktów w dwuwymiarowej przestrzeni (atrybuty z wartościami z przedziału (-10,10) wykorzystując funkcję checkboard classification. Czerwone punkty reprezentują osady Czerwońców, a niebieskie punkty odpowiadają osadom Niebieszczaków. Przykładowa mapa jest zamieszczona poniżej.

sum-svm

2013-12-13T20:10:52+02:00

Ćwiczenie 9 : Maszyny Wektorów Wspierających Laboratorium poświęcone jest jednemu z najciekawszych algorytmów klasyfikacji - algorytmowi SVM. W trakcie laboratorium poznajemy zasadę działania algorytmu i obserwujemy jego efektywność na różnych zbiorach danych.

sum-zadanie-zaliczeniowe-1

2015-01-09T19:18:12+02:00

Zadanie zaliczeniowe : SVM Dany jest zbiór danych pobranych z urządzenia przenośnego wyposażonego w żyroskop. Twoje zadanie pojega na zbudowaniu klasyfikatora SVM który możliwie najlepiej poradzi sobie z problemem klasyfikacji. Zmienna celu przyjmuje następujące wartości:

sum-zadanie-zaliczeniowe-2

2015-01-09T19:40:25+02:00

Zadanie zaliczeniowe : ekstrakcja cech Celem zadanie jest przetworzenie zbioru danych . Zbiór posiada następujące atrybuty: * PREGNACIES: liczba wcześniejszych ciąż * GLUCOSE: koncentracja glukozy w 2 godziny po doustnym podaniu próbki testowej * BLOOD_PRESSURE: ciśnienie krwi (mm Hg) * SKIN_THICKNESS: grubość fałdu skóry na tricepsie (mm) * INSULIN: poziom serum insuliny (mu U/ml) * BMI: body mass index (waga w kg podzielona przez (wysokość w m2) * DIABETES_PEDIGREE: fun…

sum-zadanie-zaliczeniowe-3

2019-05-18T13:49:33+02:00

Zadanie zaliczeniowe : klasyfikacja * Pobierz zbiór danych i zapoznaj się z jego opisem. * Wykorzystaj dowolne narzędzie (RapidMiner, Orange Data Mining, python, R, Weka) do zbudowania klasyfikatora typu drzewo decyzyjne. * Twoim zadaniem jest maksymalizacja ogólnej dokładności klasyfikatora (ang. accuracy) pod warunkiem uzyskania co najmniej 90% czułości (ang. recall) dla klasy “recurrence-events”. * Najlepsze rozwiązanie otrzymuje 15 XP, dwa kolejne otrzymują 10 XP, pozostałe otrzymu…

svm

2020-05-19T18:09:44+02:00

Support Vector Machines Zapoznaj się z krótką wizualizacją głównej koncepcji stojącej za rodziną algorytmów SVM. Uruchom w środowisku Jupyter Notebook [notatnik] z ilustracją koncepcji triku kernelowego i przykładem wykorzystania algorytmu SVM.

svm_eng

2020-05-20T16:14:17+02:00

Support Vector Machines Let's start with a short visualization of the main concept behind the SVM. Next, let's experiment a bit with the kernel trick using this [notebook]. Rapid Miner * Start RapidMiner * Read in the and look at the description of the attributes. Use the Read CSV operator to import the *.csv file and send it to the Nominal to Numerical operator, transforming nominal attributes to numerical attributes using the unique integers scheme. Inside the Split Validation operato…

svm_literatura

2014-06-01T22:51:03+02:00

manuskrypty i księgi * Introduction to Support Vector Machines, D.Boswell * An Introduction to Support Vector Machines for Data Mining, R.Burbidge, B.Buxton, Proc. 12th Conference Young Operational Research (YOR12), Nottingham, UK, 2011 * Support Vector Machines Explained, T.Fletcher, 2009

wprowadzenie_do_klasyfikacji

2020-04-14T12:59:17+02:00

Wprowadzenie do klasyfikacji Celem laboratorium jest przedstawienie podstawowych pojęć wykorzystywanych w zadaniach klasyfikacji, takich jak: zbiór uczący, zbiór testujący, walidacja krzyżowa, czy macierz pomyłek. W trakcie laboratorium sprawdzamy, jak wykonać najbardziej podstawowe algorytmy klasyfikacji w środowiskach Orange Data Mining i RapidMiner.

zadanie1

2013-03-07T11:50:39+02:00

Runda 1: zadanie samodzielne * Pobierz plik i zapoznaj się z jego opisem * Stwórz przepływ pracy który dokona następujących kroków: * wyświetli podsumowanie wszystkich atrybutów * doda atrybut unikalnie identyfikujący wszystkie strajki * znormalizuje atrybut reprezentujący tygodniową liczbę godzin pracy * doda nowy atrybut reprezentujący dynamikę żądań płacowych (dodatnie wartości atrybutu świadczą o tym, że płace rosły w kolejnych latach, ujemne wartości atrybutu świadczą …

zadanie2

2014-03-23T21:13:30+02:00

This page is redirected to zagadka_papirusu_thraina.

zadanie3

2013-04-03T16:03:21+02:00

Runda 3: Find the Shopoholics Drogie górniczki i górnicy, w naszej osadzie w zeszłym tygodniu otwarto sklep monopolowo-spożywczo-przemysłowy "Barbórka", który od razu zyskał sobie ogromną sympatię górniczej braci (szczególnie stoisko monopolowe). Dyrekcja kopalni z przerażenim obserwuje, że lwia część dziennych zarobków trafia do kieszeni właściciela sklepu. Co gorsza, sposób zachowania co po niektórych górniczek i górników wyraźnie nosi znamiona choroby umysłowej znanej pod nazwą //zakupoh…

zadanie4

2013-03-29T10:24:23+02:00

Runda 4: Na co do kina? Drogie górniczki i górnicy, z prawdziwą radością informujemy, że dzięki wspraciu finansowemu udzielonemu przez Ministerstwo Gospodarki udało nam się otworzyć w budynku byłego Klubu Rolnika kino z prawdziwego zdarzenia. Kino nosi nazwę "Duch Gór" i otwiera swoje podwoje dla publiczności już 1 kwietnia. Dołożymy wszelkich starań aby prezentowany repertuar trafiał jak najlepiej w Wasze gusta. W Twoim schemacie znajdują się tabele MOVIES i RATINGS o następujących schematach…

zadanie5

2013-04-06T17:11:07+02:00

Runda 5: Nowe atrybuty Drogie górniczki i górnicy, z niepokojem obserwujemy wśród zatrudnionych w naszej kopalni kobiet znaczny wzrost zachorowań na cukrzycę. Warunki pracy i stan higieniczny naszej kopalni muszą ulec szybkiej poprawie! W najbliższym czasie przyjedzie do nas obwoźne ambulatorium w celu wykonania badań, jednak ze względu na poufność danych pacjentek musimy dokonać ich zaszyfrowania. Zrobimy to w taki sposób, aby nie utracić zawartości informacyjnej danych, a jednocześnie aby u…

zadanie6

2013-05-30T20:51:34+02:00

Runda 11: Nieunikniona konfrontacja Drogie górniczki i górnicy, jak wiecie, dzielimy nasze wyrobiska z godnymi pogardy kopaczami miedzi (którzy śmią nazywać się górnikami!) Niestety, w naszej okolicy powstało już tak wiele szybów miedzianych i górniczych, że konfrontacja zbrojna wydaje się być nieunikniona. Gdyby tylko udało nam się wytyczyć jakieś sensowne i proste granice między poszczególnymi kopalniami, być może nie doszłoby do rozlewu krwi. Zwracam się do Was z prośbą o pomoc w zbudowaniu …

zagadka_1_losowanie

2019-06-02T23:02:14+02:00

zagadka_imiona

2011-04-27T13:29:58+02:00

wyjaśnienie zagadki Ponieważ nie jestem pewny, czy wyraziłem się wystarczająco jasno, oto uszczegółowienie zagadki: celem jest podanie imienia, które występuje częściej niż w połowie wszystkich przypadków. Jeśli takiego imienia nie ma, to algorytm może podać dowolne imię. Nie trzeba informować, ile razy wystąpiło dane imię.

zagadka_papirusu_thraina

2014-04-07T07:54:04+02:00

Zagadka papirusu Thraina W głębokich czeluściach jednej z kopalń w Górach Mglistych natknęliśmy się na papirus, zawierający prawdopodobnie informacje o położeniu wielkiego skarbu. Niestety, papirus został w magiczny sposób zaszyfrowany i nie jesteśmy w stanie w żaden sposób odczytać zapisanych na nim informacji. Jest absolutnie konieczne, aby czym prędzej wytężyć nasze siły i postarać się rozszyfrować starożytne pismo. Na odczytanie papirusu macie tydzień, do niedzieli 30.03.2014. Plany…

zed-sum-opis-schematu

2012-01-02T23:06:07+02:00

Zadanie polega na przewidzeniu poziomu dochodu osób reprezentowanych przez rekordy ze spisu powszechnego. Dochody ludności zostały podzielone binarnie na “poniżej $50 000 rocznie” i “powyżej $50 000 rocznie”. Znaczenie atrybutów Nazwa Znaczenie AAGE age ACLSWKR class of worker ADTIND industry code ADTOCC occupation code AGI adjusted gross income AHGA education AHRSPAY wage per hour AHSCOL enrolled in edu inst last wk AMARITL marital status AMJIND major industry code AMJ…

zed-sum

2013-01-14T15:55:19+02:00

Prowadzący * dr hab. inż. Mikołaj Morzy telefon: 61 665 2961 email: Mikolaj.Morzy@put.poznan.pl Instytut Informatyki Politechniki Poznańskiej, ul. Piotrowo 2, 60-965 Poznań Wydział Informatyki, ul.Strzelecka 11, 60-965 Poznań Miejsce przedmiotu w programie studiów Przedmiot obowiązkowy na II stopniu studiów magisterskich uzupełniających na kierunku Informatyka, specjalność Technologie Przetwarzania Danych