1. SylabUZ
2. Wydział Matematyki, Informatyki i Ekonometrii
3. semestr letni 2019/2020
4. Inżynieria danych - drugiego stopnia z tyt. magistra
5. Uczenie maszynowe w Python

Wygeneruj PDF dla tej strony

Uczenie maszynowe w Python - opis przedmiotu

Cel przedmiotu

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.

Wymagania wstępne

Zapisz zmiany

Znajomość podstaw statystyki oraz podstaw programowania.

Zakres tematyczny

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.

Metody kształcenia

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

Efekty uczenia się i metody weryfikacji osiągania efektów uczenia się

Opis efektu	Symbole efektów	Metody weryfikacji	Forma zajęć

Warunki zaliczenia

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

Literatura podstawowa

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

Literatura uzupełniająca

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.

Uwagi

Zmodyfikowane przez dr Robert Dylewski, prof. UZ (ostatnia modyfikacja: 19-09-2019 12:59)