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

Generate PDF for this page

Machine Learning in Python - course description

Aim of the course

Celem kursu jest zapoznanie studentów z algorytmami uczenia maszynowego mającymi obecnie bardzo szerokie zastosowanie w praktycznej analizie dużych zbiorów danych. Po tym kursie student będzie posiadał umiejętność praktycznej implementacji algorytmów uczenia maszynowego przy wykorzystaniu specjalistycznych bibliotek popularnego programu Python. Założeniem kursu jest przygotowanie studentów do rozwiązywania praktycznych problemów przy wykorzystaniu sieci neuronowych oraz innych poznanych metod uczenia maszynowego. Przedstawione zagadnienia będą użyte między innymi w problemach rozpoznawania obrazów.

Prerequisites

Save changes

Znajomość podstaw statystyki oraz podstaw programowania.

Scope

Wykład/Laboratorium:

1. Wprowadzenie do problematyki uczenia maszynowego. Metody uczenia maszynowego jako technika wspomagania decyzji. Sztuczna inteligencja.
2. Wprowadzenie do użytecznych bibliotek w środowisku Python oraz tych zawierających implementację wybranych algorytmów uczenia maszynowego, między innymi: sklearn, pandas, seaborn, keras, numpy.
3. Klasyfikacja podstawowych metod uczenia maszynowego. Uczenie nadzorowane i nienadzorowane.
4. Algorytmy analizy skupień: grupowanie hierarchiczne, metoda K-średnich.
5. Algorytmy klasyfikacji: drzewa decyzyjne, sztuczne sieci neuronowe.
6. Ocena jakości modeli klasyfikacyjnych. Krzywe uczenia się. Optymalizacja hiperparametrów.
7. Budowa modeli służących do rozpoznawania pisma, obrazów.
8. Algorytmy łączone: metody boosting i bagging, lasy losowe.

Teaching methods

Wykład: tradycyjny i problemowy. Laboratorium: rozwiązywanie problemów badawczych za pomocą algorytmów uczenia maszynowego przy wykorzystaniu specjalistycznych bibliotek programu Python. Dyskusja. Praca w zespole.

Learning outcomes and methods of theirs verification

Outcome description	Outcome symbols	Methods of verification	The class form

Assignment conditions

Ocena z laboratorium wystawiana będzie na podstawie wyników z kolokwium i/lub projektów (80%) oraz aktywności na zajęciach (20%).

Recommended reading

1. M. Gągolewski, M. Bartoszuk, A. Cena, Przetwarzanie i analiza danych w języku Python, PWN, 2016
2. W. Richert, L.P. Coelho, Building Machine Learning Systems with Python, Packt Publishing, 2013
3. M. Szeliga, Data science i uczenie maszynowe, Wydawnictwo naukowe PWN, Warszawa, 2017.
4. T. Morzy, Eksploracja danych – metody i algorytmy, Wydawnictwo naukowe PWN, Warszawa, 2013.
5. Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer, 2007

Further reading

1.         J. Koronacki, J. Ćwik: Statystyczne systemy uczące się. Wydanie drugie, EXIT, Warszawa, 2007

2.         W. McKinney, Python for Data Analysis. Data Wrangling with Pandas, NumPy, and IPython, O'Reilly Media, 2012

3.         D.T. Larose, Metody i modele eksploracji danych, Wydawnictwo naukowe PWN, Warszawa, 2012.

Notes

Modified by dr Alina Szelecka (last modification: 06-06-2020 08:22)