Wyjaśnienie działania algorytmu lasu losowego (random forest) w uczeniu maszynowym na prostym przykładzie z życia.
Wprowadzenie do metody SMOTE, która rozwiązuje problem niezbalansowanych danych w klasyfikacji poprzez generowanie syntetycznych próbek klasy mniejszościowej.
Wyjaśnienie problemu niezbalansowanych danych w klasyfikacji, przykładów takich zbiorów oraz sposobów radzenia sobie z tym wyzwaniem w ML.
Postęp prac nad biblioteką PHP-ML do uczenia maszynowego. Implementacja algorytmów KNN i Naive Bayes oraz narzędzi developerskich.
Przewodnik po popularnych, otwartych zbiorach danych do uczenia maszynowego, takich jak Iris i Abalone, z opisami i linkami.
