SylabUZ
Nazwa przedmiotu | Uczenie maszynowe w Python |
Kod przedmiotu | 11.3-WK-IDD-UMP-S18 |
Wydział | Wydział Matematyki, Informatyki i Ekonometrii |
Kierunek | Inżynieria danych |
Profil | ogólnoakademicki |
Rodzaj studiów | drugiego stopnia z tyt. magistra |
Semestr rozpoczęcia | semestr letni 2019/2020 |
Semestr | 3 |
Liczba punktów ECTS do zdobycia | 3 |
Występuje w specjalnościach | Modelowanie i analiza danych |
Typ przedmiotu | obieralny |
Język nauczania | polski |
Sylabus opracował |
|
Forma zajęć | Liczba godzin w semestrze (stacjonarne) | Liczba godzin w tygodniu (stacjonarne) | Liczba godzin w semestrze (niestacjonarne) | Liczba godzin w tygodniu (niestacjonarne) | Forma zaliczenia |
Wykład | 15 | 1 | - | - | Zaliczenie na ocenę |
Laboratorium | 30 | 2 | - | - | Zaliczenie na ocenę |
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.
Znajomość podstaw statystyki oraz podstaw programowania.
Wykład/Laboratorium:
Wykład: tradycyjny i problemowy. Laboratorium: rozwiązywanie problemów badawczych za pomocą algorytmów uczenia maszynowego przy wykorzystaniu specjalistycznych bibliotek programu Python. Dyskusja. Praca w zespole.
Opis efektu | Symbole efektów | Metody weryfikacji | Forma zajęć |
Ocena z laboratorium wystawiana będzie na podstawie wyników z kolokwium i/lub projektów (80%) oraz aktywności na zajęciach (20%).
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.
Zmodyfikowane przez dr Robert Dylewski, prof. UZ (ostatnia modyfikacja: 19-09-2019 12:59)