Warsztaty Badawcze - 2022L-WB-AutoML

@woznicak

Warszataty Badawcze składają się z:

• wykładu
• zajęć laboratoryjnych i projektowych

Terminy i tematy zajęć

	DATA	LABORATORIUM + PROJEKT	PUNKTY
1	24-02	Wprowadzenie do tematu projektu
2	03-03	ML workflow - wstęp do modeli uczenia maszynowego, ewaluacja algorytmów	Praca domowa 1 (5 pkt)
3	10-03	Optymalizacja hiperparametrów	Praca domowa 2 (5 pkt)
4	17-03	Zasady i wyzwania stojące przed AutoML
5	24-03	Prace z róznymi pakietami do AutoML	Kamień milowy 1 (8 pkt)
6	07-04 (8:15)	Prezentacje wybranych pakietów
7	07-04 (14:15)	Prezentacje wybranych pakietów + dyskusja	Kamień milowy 2 (10 pkt)
8	14-04	Struktura artykułów + Benchmarki + Metody oceny szybkości optymalizacji, anytime performance	Kamień milowy 3 (6 pkt)
9	21-04	Meta-learning, ensembling modeli. Nasz benchmark.
10	28-04	Omówienie KM2	Praca domowa 3 (6 pkt)
11	05-05	Oddanie KM3. Konsultacje	Kamień milowy 4 (8 pkt)
12	19-05	Konsultacje
13	26-05	Ewaluacja benchmarku. Omówienie KM4
14	02-06	Konsultacje projektowe. Możliwe oddanie każdej części artykułu do spr.
15	09-06	Podsumowanie projektów

Schemat oceniania (suma 100 pkt.):

• praca podczas projektu - 48 pkt.
• prezentacja końcowa - 16 pkt.
• raport końcowy - 32 pkt.
• stosowanie dobrych praktyk wykorzystania GitHub - 4 pkt.

Ocena	3	3.5	4	4.5	5
Punkty	(50, 60]	(60, 70]	(70, 80]	(80, 90]	(90, ∞)

Literatura

• An Open Source AutoML Benchmark
• Towards Automated Machine Learning: Evaluation and Comparison of AutoML Approaches and Tools
• A Comparison of AutoML Tools for Machine Learning, Deep Learning and XGBoost
• Auto-Sklearn 2.0: Hands-free AutoML via Meta-Learning
• AutoML: Methods, Systems, Challenges
• Explanatory Model Analysis. Explore, Explain and Examine Predictive Models