Przejdź do treści

Materiały Akademii Sztuki Kwantowej → blok 2

Dwa dni z uczeniem maszynowym

Prowadzenie: dr hab. inż. Przemysław Głomb

Wprowadzenie do klasycznego (nie-kwantowego) uczenia maszynowego: analiza danych, klasteryzacja, redukcja wymiarowości, detekcja anomalii, maszyny wektorów nośnych, sieci neuronowe i konwolucyjne, duże modele językowe. Blok stanowi podstawę do metod kwantowych.

Slajdy i skrypty (PDF)

Pliki otwierają się bezpośrednio w przeglądarce — nie trzeba niczego instalować ani zakładać konta.

MateriałStronRozmiar
Perceptron
01-perceptron.pdf		603,9 MB
Sieci wielowarstwowe (MLP)
02-sieci-mlp.pdf		11012,5 MB
Sieci MLP — analiza działania
03-sieci-mlp-analiza.pdf		342,7 MB
Kowariancja i metody statystyczne
04-kowariancja-i-metody-statystyczne.pdf		942,6 MB
Statystyczne metody uczenia maszynowego — redukcja wymiarowości i klasyfikacja
05-statystyczne-metody-uczenia-maszynowego.pdf		1724,6 MB
Komplet slajdów całego szkolenia (wszystkie wykłady w jednym pliku)
06-dwa-dni-z-uczeniem-maszynowym-komplet-slajdow.pdf		4848,0 MB
Wykład podsumowujący blok uczenia maszynowego
07-podsumowanie-bloku-uczenia-maszynowego.pdf		141,7 MB
Wykład wprowadzający — plan i zakres
08-wyklad-wprowadzajacy-plan.pdf		233 kB

Notatniki Jupyter z ćwiczeniami

Odnośnik „otwórz podgląd” prowadzi do gotowego podglądu notatnika wraz z wynikami obliczeń i wykresami — bez instalowania Pythona. Aby samodzielnie uruchomić kod, należy pobrać plik .ipynb (patrz „Jak uruchomić ćwiczenia” poniżej).

Dzień 1, ćwiczenie 1 — wczytanie i oględziny danych

katalog warsztaty/d1e1z1-start

NotatnikPodglądPlikKomórek
Start
start.ipynb		otwórz podglądpobierz1
Start inspect
start_inspect.ipynb		otwórz podglądpobierz2

Dzień 1, ćwiczenie 2 — klasteryzacja na danych modelowych

katalog warsztaty/d1e1z2-clustering

NotatnikPodglądPlikKomórek
Cluster toy
cluster_toy.ipynb		otwórz podglądpobierz17

Dzień 1, ćwiczenie 2 (cz. 2) — klasteryzacja danych rzeczywistych

katalog warsztaty/d1e1z2-clustering-part-2

NotatnikPodglądPlikKomórek
Cluster real
cluster_real.ipynb		otwórz podglądpobierz5
Cluster real demo
cluster_real_demo.ipynb		otwórz podglądpobierz7

Dzień 1, ćwiczenie 3 — detekcja anomalii

katalog warsztaty/d1e1z3-anomalies

NotatnikPodglądPlikKomórek
Anomalies
anomalies.ipynb		otwórz podglądpobierz8
Anomalies cov
anomalies_cov.ipynb		otwórz podglądpobierz13

Dzień 1, ćwiczenie 4 — redukcja wymiarowości (PCA, t-SNE)

katalog warsztaty/d1e1z4-dimensionality

NotatnikPodglądPlikKomórek
Faces
faces.ipynb		otwórz podglądpobierz2
Faces full
faces_full.ipynb		otwórz podglądpobierz9
Pca toy
pca_toy.ipynb		otwórz podglądpobierz23
Pca tsne
pca_tsne.ipynb		otwórz podglądpobierz17

Dzień 1, ćwiczenie 5 — zadanie podsumowujące

katalog warsztaty/d1e1z5-end

NotatnikPodglądPlikKomórek
Blood
blood.ipynb		otwórz podglądpobierz6

Dzień 1, blok 2, ćwiczenie 1 — klasyfikacja

katalog warsztaty/d1e2z1-zadanie

NotatnikPodglądPlikKomórek
Classify
classify.ipynb		otwórz podglądpobierz5

Dzień 1, blok 2, ćwiczenie 2 — SVM i wyjaśnialność (SHAP)

katalog warsztaty/d1e2z2-shap-svm

NotatnikPodglądPlikKomórek
Wbcd shap
wbcd_shap.ipynb		otwórz podglądpobierz14
Wbcd svm
wbcd_svm.ipynb		otwórz podglądpobierz20

Dzień 1, blok 2, ćwiczenie 3 — walidacja krzyżowa i miary jakości

katalog warsztaty/d1e2z3-cv

NotatnikPodglądPlikKomórek
Measures cv
measures_cv.ipynb		otwórz podglądpobierz13
Wbcd cv
wbcd_cv.ipynb		otwórz podglądpobierz2

Dzień 2, ćwiczenie 2 — pojedynczy neuron

katalog warsztaty/d2e3z2-neurons

NotatnikPodglądPlikKomórek
Neuron
neuron.ipynb		otwórz podglądpobierz8

Dzień 2, ćwiczenie 3 — sieć wielowarstwowa

katalog warsztaty/d2e3z3-mlp

NotatnikPodglądPlikKomórek
Mlp ex
mlp_ex.ipynb		otwórz podglądpobierz3

Dzień 2, ćwiczenie 4 — MLP w PyTorch

katalog warsztaty/d2e3z4-mlp-torch

NotatnikPodglądPlikKomórek
Frameworks
frameworks.ipynb		otwórz podglądpobierz1
Pytmlp
pytmlp.ipynb		otwórz podglądpobierz14
Pytmlp val
pytmlp_val.ipynb		otwórz podglądpobierz14

Dzień 2, blok 4, ćwiczenie 1 — sploty i filtry

katalog warsztaty/d2e4z1-conv

NotatnikPodglądPlikKomórek
Conv2
conv2.ipynb		otwórz podglądpobierz1

Dzień 2, blok 4, ćwiczenie 2 — sieci konwolucyjne

katalog warsztaty/d2e4z2-conv-networks

NotatnikPodglądPlikKomórek
Alex
alex.ipynb		otwórz podglądpobierz1

Dzień 2, blok 4, ćwiczenie 3 — duże modele językowe

katalog warsztaty/d2e4z3-llm

NotatnikPodglądPlikKomórek
Llm tinyllama
llm_tinyllama.ipynb		otwórz podglądpobierz1
Tinyllama new
tinyllama_new.ipynb		otwórz podglądpobierz3

Przykładowe programy

PlikRozmiar
warsztaty/d1e1z1-start/start.py1 kB
warsztaty/d1e1z1-start/start_inspect.py1 kB
warsztaty/d1e1z2-clustering/cluster_toy.py3 kB
warsztaty/d1e1z2-clustering-part-2/cluster_real.py1 kB
warsztaty/d1e1z2-clustering-part-2/cluster_real_demo.py2 kB
warsztaty/d1e1z3-anomalies/anomalies.py2 kB
warsztaty/d1e1z3-anomalies/anomalies_cov.py2 kB
warsztaty/d1e1z4-dimensionality/faces.py1 kB
warsztaty/d1e1z4-dimensionality/faces_full.py1 kB
warsztaty/d1e1z4-dimensionality/pca_toy.py2 kB
warsztaty/d1e1z4-dimensionality/pca_tsne.py2 kB
warsztaty/d1e1z5-end/blood.py1 kB
warsztaty/d1e2z1-zadanie/classify.py1 kB
warsztaty/d1e2z1-zadanie/classify_1nn.py1 kB
warsztaty/d1e2z2-shap-svm/wbcd_shap.py2 kB
warsztaty/d1e2z2-shap-svm/wbcd_svm.py3 kB
warsztaty/d1e2z3-cv/measures_cv.py3 kB
warsztaty/d1e2z3-cv/wbcd_cv.py1 kB
warsztaty/d2e3z1-start/wbcd_cv_pavia.py1 kB
warsztaty/d2e3z1-start/wbcd_cv_pavia_start.py1 kB
warsztaty/d2e3z2-neurons/neuron.py4 kB
warsztaty/d2e3z2-neurons/neuron_plots.py7 kB
warsztaty/d2e3z3-mlp/mlp_ex.py1 kB
warsztaty/d2e3z3-mlp/mlp_ex_gpt.py2 kB
warsztaty/d2e3z4-mlp-torch/mlp_ex_gpt.py2 kB
warsztaty/d2e3z4-mlp-torch/pytmlp_val.py2 kB
warsztaty/d2e4z1-conv/conv2.py5 kB
warsztaty/d2e4z1-conv/pytorch_conv.py6 kB
warsztaty/d2e4z1-conv/pytorch_mlp.py5 kB
warsztaty/d2e4z2-conv-networks/alex.py1 kB
warsztaty/d2e4z2-conv-networks/maskrcnn.py3 kB
warsztaty/d2e4z2-conv-networks/resnet.py2 kB
warsztaty/d2e4z2-conv-networks/yolo.py2 kB
warsztaty/d2e4z3-llm/llm_tinyllama.py2 kB
warsztaty/d2e4z3-llm/llm_tl_tc.py4 kB
warsztaty/d2e4z3-llm/tinyllama_new.py2 kB

Jak uruchomić ćwiczenia

  1. Zainstaluj Pythona w wersji 3.10 lub nowszej (python.org).
  2. Pobierz materiały bloku: przejdź do katalogu w repozytorium i użyj przycisku Code → Download ZIP (pobiera całe repozytorium) lub sklonuj je poleceniem git clone https://github.com/iitis/AkademiaSztukiKwantowej.git.
  3. Zainstaluj wymagane pakiety: pip install -r materialy/02-uczenie-maszynowe/warsztaty/requirements.txt
  4. Uruchom notatniki: jupyter notebook — a następnie otwórz wybrany plik .ipynb.

Materiały źródłowe i historia prac

Komplet plików roboczych, z których powstały powyższe materiały (źródła LaTeX wraz z rysunkami, wersje robocze notatników, pełna historia zmian), pozostaje w gałęziach autorskich repozytorium: pg_final, mlintro. Do korzystania z materiałów nie jest potrzebny dostęp do tych gałęzi.