Metody Systemowe i Decyzyjne

 

Informacje ogólne

Konsultacje: piątek, 10:00-11:00, 121 C6 (po wcześniejszym kontakcie e-mailowym) 

Zasady zaliczenia: [link]

Zalecana literatura:

  • Murphy, Kevin P. Machine learning: a probabilistic perspective. MIT press, 2012.

Prowadzone grupy zajęciowe:

  • piątek TP, 11:15-13:00, 107b (D-2)
  • piątek TP, 13:15-15:00, 107b (D-2)
  • piątek TP, 15:15-16:55, 127a (D-2)
  • piątek TP, 17:05-18:45, 127a (D-2)
  • piątek TN, 13:15-15:00, 107b (D-2)
  • piątek TN, 15:15-16:55, 127a (D-2)
  • piątek TN, 17:05-18:45, 127a (D-2)
  • piątek TN, 18:55-20:35, 127a (D-2)

 

 

Plan kursu

Zajęcia I: Wprowadzenie do Pythona

Plan zajęć: 

  • Szkolenie BHP, zasady zaliczeń
  • Zadania wprowadzające do Pythona [link]

Dodatkowe materiały:

  • Kurs Pythona [link]
  • Online Python console [link]

 

Zajęcia II: Regresja liniowa

Plan zajęć: 

  • Problem regresji
  • Model regresji liniowej
  • Overfitting/underfitting [demo]
  • Regularyzacja [demo]
  • Przykład regresji w 3D [demo]

Dodatkowe materiały:

  • Liniowe zadanie najmniejszych kwadratów [link]
  • Murphy, rozdział 7.1-7.3

 

Zajęcia III: Modele k-NN i Naive Bayes

Plan zajęć: 

  • Problem klasyfikacji
  • Model k-NN
  • Model Naive Bayes
  • Rozliczenie zadania 1

Dodatkowe materiały:

  • Klasyfikacja [link]
  • k-NN [link]
  • Naive Bayes [link]
  • Murphy, rozdział 3.5

Zajęcia IV: Model regresji logistycznej

Plan zajęć: 

  • Model regresji logistycznej
  • Rozliczenie zadania 2
  • Zadanie 3 [pdf][zip]

Dodatkowe materiały:

  • Metoda gradientu prostego [link]
  • Regresja logistyczna [link]
  • Murphy, rozdział 8.1-8.3

 

Zajęcia V: Zadanie zaliczeniowe

Plan zajęć: 

  • Prezentacja [pdf]
  • Omówienie zadania zaliczeniowego [pdf][zip]
  • Rozliczenie zadania 3

Dodatkowe materiały:

  • Sieć neuronowa [link]

 

Zajęcia VI i VII: Praca nad zadaniem zaliczeniowym

Plan zajęć: 

  • Dyskusja na temat zadania zaliczeniowego
  • Omówienie wybranego modelu/metody związanej z uczeniem maszynowym
  • Praca własna nad zadaniem zaliczeniowym

 

SELECTED PROJECTS

 

Deep convolutional neural network
for an automated signal selection in protein NMR spectra

 

Chemical shift-based identification
of oligosaccharide topology

Image analysis for confocal microscopy in the context of 3D liver tissue architecture studies

Commercial projects

X 2014 - ...

Read more

II 2016 - VI 2018

Read More

VII 2013 - VII 2014

Read More

  

Read More

 

 

RECENT WORK

 

2018/6/6

Our manuscript "Chemical shift-based identification of monosaccharide spin-systems with NMR spectroscopy to complement untargeted glycomics" has been accepted in Bioinformatics. 

Open access article is available here. The algorithm proposed in the paper is accessible by the web page glyconmrsearch.nmrhub.eu

 

2018/5/28

Our manuscript "Towards fully automated protein structure elucidation with NMR spectroscopy" has been accepted at BOOM workshop (ICML 2018).

 

 

2018/3/4

Our manuscript "NMRNet: A deep learning approach to automated peak picking of protein NMR spectra" has been accepted in Bioinformatics.

 

CONTACT DETAILS

E-mail:
Building C-3, room 121
Department of Computer Science
Wrocław University of Technology
Wybrzeże Stanisława Wyspiańskiego 27
50-370 Wrocław, Poland