Előadás videók (mp4):
01 - Gépi tanulás (bevezetés) (52p)
01 - Gépi tanulás (függvények felügyelt tanulása) (43p)
02 - Alapfogalmak (1ó50p)
03 - Bayes döntéselmélet (1ó16p)
04 - Gauss-eloszlás illesztése (Maximum Likelihood módszer) (38p)
04 - Gauss-eloszlás illesztése (Bayes módszer) (32p)
05 - GMM modell tanítása EM algoritmussal (1ó10p)
06 - Döntési fák (alapok) (47p)
06 - Döntési fák (kiterjesztések) (39p)
07 - Lineáris osztályozás (alapfogalmak, perceptron algoritmus) (42p)
07 - Lineáris osztályozás (hibafüggvény, logisztikus regresszió) (1ó)
08 - SVM (1ó12p)
09 - Neurális hálók (1ó16p)
10 - Mély neurális hálók (1ó47p)
11 - Együttes tanulás (1ó04p)
12 - Jellemzőtér-transzformációs módszerek (53p)
Powerpoint előadások:
01 - Gépi tanulás (bevezetés)
02 - Alapfogalmak
03 - A Bayes-döntéselmélet alapjai
04 - Gauss-eloszlás illesztése
05 - GMM modell tanítása EM algoritmussal
06 - Döntési fák
07 - Lineáris osztályozás
08 - SVM
09 - Neurális hálók
10 - Mély neurális hálók
11 - Együttes tanulás
12 - Jellemzőtér-transzformációs módszerek
Tóth László diái
Gyakorlat anyagok:
jupyter notebookok
Gyakorlat videók:
01 - python, pandas alapok (1ó02p)
02 - Játék adatbázisok, előfeldolgozás (39p)
03 - Jellemzőkinyerés és -kiválasztás, baseline, kiértékelés (38p)
04 - Naív Bayes, normális eloszlás illesztése, GMM (40p)
05 - KNN, modellkiválasztás (31p)
06 - Döntési fák (35p)
07 - Logisztikus regresszió, SVM (34p)
08 - Neurális hálók (57p)
09 - Aggregáció, együttes tanulás (36p)
10 - Modellek elemzése (23p)