Techniki uczenia maszyn 400-IS1-3TUM
Treści zajęć obejmą m.in. następujące tematy: opis procesu uczenia maszyn oraz rodzaje uczenia (nadzorowane, nienadzorowane, ze wzmocnieniem); rola i przygotowanie danych do procesu uczenia; metody regresji, klasyfikacji i grupowania; sieci neuronowe i uczenie głębokie; ocena jakości modeli uczenia maszyn oraz zagadnienia etyczne i wyjaśnialność stosowania technik uczenia maszyn.
Profil studiów: praktyczny.
Forma studiów: stacjonarne
Dziedzina: Nauki ścisłe i przyrodnicze
Dyscyplina: Informatyka techniczna i telekomunikacja
Rok studiów: 3 rok/5 sem.
Wymagania wstępne: patrz "Założenia (opisowo)"
Liczba godzin wykładu: 15 godzin
Liczba godzin laboratorium: 15 godzin
Liczba godzin na projekt: 15 godzin
Metody dydaktyczne: Wykład metodą tradycyjną z wykorzystaniem tablicy i autorskich prezentacji multimedialnych oraz angażowanie studentów do aktywnego udziału w dyskusji podczas wykładu i zajęć praktycznych i zadawania pytań.
Punkty ECTS: 4
Bilans nakładu pracy studenta:
(i) związany z zajęciami wymagającymi bezpośredniego nakładu nauczyciela i studenta -- 50 godzin (2 ECTS) :
Liczba godzin wykładu: 15 godzin
Liczba godzin laboratorium: 15 godzin
Liczba godzin na projekt: 15 godzin
Czas trwania zaliczenia: 2 godziny
Udział w konsultacjach: 3 godziny
(ii) związany z zajęciami o charakterze praktycznym -- 55 godzin (2,2 ECTS)
Przygotowanie się studenta do wykładu: 5 godziny
Przygotowanie się studenta do laboratorium: 20 godzin
Przygotowanie się studenta do projektu: 15 godzin
Przygotowanie się studenta do konsultacji, sprawdzianów i zaliczenia: 15 godzin
Metody dydaktyczne: Wykład metodą tradycyjną z wykorzystaniem tablicy i autorskich prezentacji multimedialnych oraz angażowanie studentów do aktywnego udziału w dyskusji podczas wykładu i zajęć praktycznych i zadawania pytań.
Rodzaj przedmiotu
Tryb prowadzenia przedmiotu
Założenia (opisowo)
Koordynatorzy przedmiotu
Efekty kształcenia
Absolwent:
WIEDZA
KP6_WG5 - zna zasady logicznej organizacji, kolekcjonowania i przechowywania danych.
KP6_WG9 - zna podstawowe zagadnienia w dziedzinie sztucznej inteligencji, reprezentacji i przetwarzania wiedzy, komunikacji człowiek-komputer.
UMIEJĘTNOŚCI
KP6_UW1 - potrafi stosować pojęcia i metody algebry, analizy matematycznej, logiki i teorii mnogości, matematyki dyskretnej oraz statystyki do rozwiązywania zagadnień informatycznych.
KP6_UW2 - potrafi wykorzystać metody statystyczne do analizy danych.
KP6_UW3 - potrafi samodzielnie zaprojektować algorytmy realizujące wybrane zadania, potrafi przeprowadzić analizę złożoności danego algorytmu.
KP6_UW4 - potrafi wybrać odpowiedni paradygmat i język programowania do rozwiązania określonego typu zadań.
KP6_UW5 - potrafi implementować algorytmy stosując elementy wybranego języka programowania.
KP6_UW10 - potrafi rozwiązywać problemy wyrażone w języku naturalnym technikami sztucznej inteligencji oraz komunikacji człowiek-maszyna.
KP6_UK2 - potrafi przygotować opracowanie zagadnień informatycznych (w tym dokumentacji technicznej) w języku polskim i litewskim oraz zaprezentować je.
KP6_UK3 - potrafi samodzielnie opracować rozwiązanie zadanego zagadnienia informatycznego z pogranicza teorii i praktyki oraz przedstawić rozwiązanie i wnioski.
KP6_UO1- potrafi współpracować w grupie planując i realizując wspólne projekty, w tym kompleksowe projekty programistyczne.
KP6_UU1 – potrafi samodzielnie planować rozwój własny w zakresie podnoszenia swoich umiejętności i kwalifikacji.
KOMPETENCJE SPOŁECZNE
KP6_KK1 – jest gotów do starannego określania priorytetów i ustalania właściwej kolejności podejmowanych działań.
Kryteria oceniania
Forma zaliczenia przedmiotu:
Wykład: egzamin.
Laboratorium: zaliczenie.
Projekt: zaliczenie.
Literatura
1. P. Cichosz: Systemy uczące się. Wydawnictwa Naukowo-Techniczne, 2001, 2007.
2. Frank E., Hall M.A, and Witten I.H: The WEKA Workbench, Online Appendix for
“Data Mining: Practical Machine Learning Tools and Techniques”
Morgan Kaufmann, Fourth Edition, 2016
https://www.cs.waikato.ac.nz/ml/weka/Witten_et_al_2016_appendix.pdf
3. A. Géron: Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow. Hellion, 2020.
4. J. Grus: Data science od podstaw. Analiza danych w Pythonie. Hellion, 2020.
5. Muraszkiewicz M., Nowak R. (edytorzy): Sztuczna inteligencja dla inżynierów. Metody ogólne. Wydawnictwo Politechniki Warszawskiej, Warszawa 2022.
6.F. Provost, T. Fawcett: Analiza danych w biznesie. Sztuka podejmowania skutecznych decyzji. Hellion, 2014.
7. Biblioteki Weka, Scikit-learn, TensorFlow.
8. Pakiety języka R (m.in. rpart, e1071, ReinforcementLearning, RWeka).
9. Pakiety języka Python (m.in. scikit-learn, gym).
|
W cyklu 2023:
1. P. Cichosz: Systemy uczące się. Wydawnictwa Naukowo-Techniczne, 2001, 2007. |
Uwagi
|
W cyklu 2022:
Zakłada się, że student ma bazową wiedzę w zakresie sztucznej inteligencji, rachunku prawdopodobieństwa i statystyki oraz systemów baz danych. Student powinien bez trudu czytać i tworzyć kod w jednym z zaawansowanych języków programowania (np. C++, Java, Phyton) oraz mieć orientację w bibliotekach/repozytoriach oprogramowania. Oczekuje się, że student w miarę nabywania podstawowej wiedzy w zakresie uczenia maszynowego będzie zdolny do zaprojektowania i przeprowadzenia prostego eksperymentu analizy danych na zajęciach laboratoryjnych i/lub projektowych. |
W cyklu 2023:
Zakłada się, że student ma bazową wiedzę w zakresie sztucznej inteligencji, rachunku prawdopodobieństwa i statystyki oraz systemów baz danych. Student powinien bez trudu czytać i tworzyć kod w jednym z zaawansowanych języków programowania (np. C++, Java, Phyton) oraz mieć orientację w bibliotekach/repozytoriach oprogramowania. Oczekuje się, że student w miarę nabywania podstawowej wiedzy w zakresie uczenia maszynowego będzie zdolny do zaprojektowania i przeprowadzenia prostego eksperymentu analizy danych na zajęciach laboratoryjnych i/lub projektowych. |
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: