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 2022/2023 |
Semester | 2 |
ECTS credits to win | 5 |
Available in specialities | Business analytics |
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 przygotowanie studentów do rozwiązywania praktycznych problemów przy wykorzystaniu zarówno klasycznych modeli statystycznych, jak również algorytmów sieci neuronowych oraz innych poznanych metod uczenia maszynowego. Ważnym celem tego przedmiotu jest rozwinięcie umiejętności wnioskowania, analitycznego myślenia oraz doboru właściwych algorytmów uczenia maszynowego do zadanego problemu.
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 wybranego 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, prezentacja multimedialna.
Laboratorium: program laboratorium obejmuje pogłębienie zagadnień omawianych na wykładach. Rozwiązywanie problemów badawczych za pomocą algorytmów uczenia maszynowego przy wykorzystaniu specjalistycznych bibliotek programu R lub Python. Praca w zespole. Dyskusja związana z wykorzystaniem odpowiednich algorytmów oraz interpretacja wyników pośrednich i końcowych.
Outcome description | Outcome symbols | Methods of verification | The class form |
Sprawdzanie stopnia przygotowania studentów oraz ich aktywności zarówno na laboratorium, jak i na wykładzie.
Umiejętności nabyte w ramach zajęć laboratoryjnych weryfikowane są na podstawie wykonania przez studenta wskazanych zadań i problemów rozliczanych w formie raportów. Próg zaliczeniowy to 50% sumy punktów.
Modified by dr Magdalena Wojciech (last modification: 25-05-2022 23:42)