1. SylabUZ
2. Faculty of Mathematics, Computer Science and Econometrics
3. winter term 2021/2022
4. Data Engineering - First-cycle studies leading to Engineer'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 algorytmami uczenia maszynowego mającymi obecnie bardzo szerokie zastosowanie w praktycznej analizie dużych zbiorów danych.

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

Po tym kursie student będzie posiadał umiejętność wykorzystania specjalistycznych bibliotek, popularnego wśród analityków danych programu R, do rozwiązywania konkretnych problemów za pomocą algorytmów uczenia maszynowego.

Prerequisites

Save changes

Znajomość podstaw statystyki oraz podstaw programowania.

Scope

Wykład/Laboratorium:

1. Wprowadzenie do problematyki uczenia maszynowego. Podstawowe założenia dotyczące data science.
2. Klasyfikacja podstawowych metod uczenia maszynowego. Metody uczenia z nadzorem i bez nadzoru. Zbiory danych uczące i testowe.
3. Algorytmy analizy skupień: grupowanie hierarchiczne, metoda K-średnich.
4. Metody redukcji wymiaru: analiza składowych głównych.
5. Algorytmy klasyfikacji: LDA, drzewa decyzyjne, k najbliższych sąsiadów, sieć Bayesa.
6. Wprowadzenie do sztucznych sieci neuronowych.
7. Ocena jakości modeli klasyfikacyjnych: macierz pomyłek, krzywa ROC, trafność klasyfikacji, walidacja krzyżowa.
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 R. 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. Szeliga, Data science i uczenie maszynowe, Wydawnictwo naukowe PWN, Warszawa, 2017.
2. T. Morzy, Eksploracja danych – metody i algorytmy, Wydawnictwo naukowe PWN, Warszawa, 2013.
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.

Notes

Modified by dr Alina Szelecka (last modification: 05-05-2021 13:03)