1. SylabUZ
2. Faculty of Mathematics, Computer Science and Econometrics
3. winter term 2020/2021
4. Informatics and Econometrics - First-cycle studies leading to Bachelor's degree
5. Basics of Machine Learning

Generate PDF for this page

Basics of Machine Learning - course description

Aim of the course

Założeniem kursu jest zapoznanie studentów z podstawowymi algorytmami uczenia maszynowego mającymi obecnie bardzo szerokie zastosowanie w praktycznej analizie różnego typu zbiorów danych.

Celem końcowym kursu jest nabycie przez studenta umiejętności wyboru odpowiednich metod uczenia maszynowego w zależności od postawionego praktycznego problemu. Umiejętność odkrywania wzorców oraz reguł ukrytych w danych. Użycie metod uczenia maszynowego jako wsparcie w procesie wspomagania decyzji biznesowych.

Dodatkowo analizy danych rzeczywistych będą przeprowadzane przy użyciu obecnie bardzo popularnego wśród analityków oprogramowania R. Po tym kursie student będzie posiadał umiejętność wykorzystania specjalistycznych bibliotek programu R, do rozwiązywania konkretnych problemów za pomocą algorytmów uczenia maszynowego.

Prerequisites

Save changes

Znajomość podstaw statystyki oraz rachunku prawdopodobieństwa.

Scope

Wykład/Laboratorium:

1. Wprowadzenie do problematyki uczenia maszynowego. Podstawowe zadania dotyczące eksploracji danych.
2. Wstępne przetwarzanie danych: czyszczenie danych, transformacje zmiennych, graficzna prezentacja zmiennych.
3. Klasyfikacja podstawowych metod uczenia maszynowego. Metody uczenia z nadzorem i bez nadzoru. Zbiory danych uczące i testowe.
4. Algorytmy analizy skupień: grupowanie hierarchiczne, metoda K-średnich.
5. Ocena jakości wyników grupowania.
6. Metody redukcji wymiaru: analiza składowych głównych.
7. Algorytmy klasyfikacji: drzewa decyzyjne, sieć Bayesa.
8. Regresyjne, statystyczne modele klasyfikacyjne: liniowy i logistyczny.
9. Ocena jakości modeli klasyfikacyjnych: macierz pomyłek, krzywa ROC, trafność klasyfikacji.

Teaching methods

Wykład: tradycyjny i problemowy.

Laboratorium: rozwiązywanie problemów badawczych za pomocą algorytmów uczenia maszynowego przy wykorzystaniu specjalistycznych bibliotek programu R. Dyskusja. Praca w zespole.

Learning outcomes and methods of theirs verification

Outcome description	Outcome symbols	Methods of verification	The class form

Assignment conditions

Sprawdzanie stopnia przygotowania studentów oraz ich aktywności zarówno na laboratorium, jak i na wykładzie.

Ocena z laboratorium wystawiana będzie na podstawie wyników z kolokwium i/lub projektów.

Recommended reading

1. T. Morzy, Eksploracja danych – metody i algorytmy, Wydawnictwo naukowe PWN, Warszawa, 2013.
2. M. Szeliga, Data science i uczenie maszynowe, Wydawnictwo naukowe PWN, Warszawa, 2017.
3. Christopher M. Bishop Pattern Recognition and Machine Learning, Springer, 2007
4. J. Koronacki, J. Ćwik: Statystyczne systemy uczące się. Wydanie drugie, EXIT, Warszawa, 2007

Further reading

1. D.T. Larose, Metody i modele eksploracji danych, Wydawnictwo naukowe PWN, Warszawa, 2012.
2. M. Gągolewski, Programowanie w języku R – Analiza danych,  obliczenia, symulacje, Wydawnictwo naukowe PWN, Warszawa, 2016.
3. T. Górecki Podstawy statystyki z przykładami w R BTC Legionowo 2011.

Notes

Modified by dr Alina Szelecka (last modification: 05-06-2020 12:23)