Warszataty Badawcze składają się z:
- wykładu
- zajęć laboratoryjnych i projektowych
| # | DATA | LABORATORIUM + PROJEKT | PUNKTY |
|---|---|---|---|
| 1 | 24-02 | Tematyka projektu | |
| 2 | 03-03 | Szerokie spojrzenie na ML, przegląd literatury, eksploracyjna analiza danych (EDA) | |
| 3 | 10-03 | Warsztat o danych przestrzennych - dr Jakub Nowosad | PD1 (4p) |
| 4 | 17-03 | Omównienie EDA, wstęp do modelowania - drzewo decyzyjne | KM1 (3p) |
| 5-6 | 24-03 | Modele oparte na drzewach | KM2 (12p) |
| 7 | 07-04 | Optymalizacja hiperparametrów | PD2 (4p) |
| 8 | 14-04 | Diagnostyka modeli, wizualizacja modeli | |
| 9 | 21-04 | Przygotowywanie modeli | |
| 10 | 28-04 | Omówienie modeli i diagnostyki | PD3a (2p) KM3a (3p) |
| 11 | 05-05 | eXplainable Artificial Intelligence (XAI) - wstęp, metody globalne i lokalne Interaktywna eksploracja modeli (idea modelStudio, arena) |
KM3b (6p) |
| 12 | 19-05 | Eksploracja przygotowanych modeli | PD3b (2p) |
| 13 | 26-05 | Konsultacje przed prezentacją końcową | KM4 (8p) |
| 14 | 02-06 | Recenzowanie artykułu | PD4 (4p) |
| 15 | 09-06 | Podsumowanie projektu |
- Raport końcowy [0-32p]:
- abstrakt, wstęp, motywacja [0-5p]
- literatura i jakość bibliografii [0-4p]
- główne wyniki pracy [0-14p]
- wnioski [0-5p]
- jakość wykresów/wizualizacji/diagramów, umiejętne korzystanie z LaTeXa[0-4p]
- Prezentacja [0-16p]
- Praca na zajęcia [0-48p]:
- 4 prace domowe - [0-16p]
- 4 kamienie milowe - [0-32p]
- Stosowanie dobrych praktyk wykorzystania GitHub [0-4p]
| Ocena | 3 | 3.5 | 4 | 4.5 | 5 |
|---|---|---|---|---|---|
| Punkty | (50, 60] | (60, 70] | (70, 80] | (80, 90] | (90, ∞) |
- Nowosad, J., (2021). Geostatystyka w R. Poznań: Space A. ISBN 978-83-953296-2-3.
- Explanatory Model Analysis. Explore, Explain and Examine Predictive Models
- Interpretable Machine Learning. A Guide for Making Black Box Models Explainable
- XAI Stories. Case studies for eXplainable Artificial Intelligence
- BASIC XAI with DALEX