SylabUZ
Course name | Machine Learning |
Course ID | 11.3-WK-IiED-UM-S18 |
Faculty | Faculty of Mathematics, Computer Science and Econometrics |
Field of study | Informatics and Econometrics |
Education profile | academic |
Level of studies | Second-cycle studies leading to MS degree |
Beginning semester | winter term 2020/2021 |
Semester | 4 |
ECTS credits to win | 5 |
Course type | optional |
Teaching language | polish |
Author of syllabus |
|
The class form | Hours per semester (full-time) | Hours per week (full-time) | Hours per semester (part-time) | Hours per week (part-time) | Form of assignment |
Lecture | 15 | 1 | - | - | Credit with grade |
Laboratory | 30 | 2 | - | - | Credit with grade |
Założeniem kursu jest zapoznanie studentów z algorytmami uczenia maszynowego mającymi obecnie bardzo szerokie zastosowanie w praktycznej analizie różnego typu baz danych.
Celem końcowym kursu jest nabycie przez studenta umiejętności wyboru odpowiednich metod uczenia maszynowego w zależności od postawionego praktycznego problemu. Umiejętność odkrywania wzorców, asocjacji oraz reguł ukrytych w danych. Wdrożenie wybranego modelu, algorytmu w celu rozwiązania postawionego problemu badawczego.
Dodatkowo analizy danych rzeczywistych będą przeprowadzane przy użyciu jednego z dwóch najczęściej wykorzystywanych przez analityków programów R lub Python. Po tym kursie student będzie posiadał umiejętność wykorzystania specjalistycznych bibliotek programu do rozwiązywania konkretnych problemów za pomocą algorytmów uczenia maszynowego.
Znajomość podstaw statystyki oraz rachunku prawdopodobieństwa. Analiza danych statystycznych.
Wykład/Laboratorium:
Wykład: tradycyjny i problemowy.
Laboratorium: rozwiązywanie problemów badawczych za pomocą algorytmów uczenia maszynowego przy wykorzystaniu specjalistycznych bibliotek programu R lub Python. Dyskusja. Praca w zespole.
Outcome description | Outcome symbols | Methods of verification | The class form |
Sprawdzanie stopnia przygotowania studentów oraz ich aktywności zarówno na laboratorium, jak i na wykładzie.
Ocena przedmiotu będzie wynikała ze stopnia zaawansowania projektu wykonanego przez studenta tj. wykorzystania adekwatnych do postawionych problemów badawczych algorytmów uczenia maszynowego, postawienie prawidłowych wniosków, prezentacji graficznych wyników analiz oraz oceny jakości przeprowadzonych analiz.
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.
Modified by dr Alina Szelecka (last modification: 05-06-2020 12:23)