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

Generate PDF for this page

Machine Learning - course description

Aim of the course

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.

Prerequisites

Save changes

Znajomość podstaw statystyki oraz rachunku prawdopodobieństwa. Analiza danych statystycznych.

Scope

Wykład/Laboratorium:

1. Klasyfikacja metod uczenia maszynowego. Metody uczenia z nadzorem i bez nadzoru.
2. Wstępne przetwarzanie danych. Podstawowe zadania dotyczące eksploracji danych.
3. Metody grupowania danych: grupowanie hierarchiczne, metoda K-medoidów.
4. Reguły asocjacyjne.
5. Algorytmy klasyfikacji: drzewa decyzyjne, lasy losowe, sztuczne sieci neuronowe.
6. Statystyczny model klasyfikacyjny – model logistyczny.
7. Oceny jakości wyników klasyfikacji z nadzorem i bez nadzoru.

Teaching methods

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.

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 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.

 

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)