1. SylabUZ
2. Wydział Matematyki, Informatyki i Ekonometrii
3. semestr zimowy 2019/2020
4. Inżynieria danych - pierwszego stopnia z tyt. inżyniera
5. Podstawy uczenia maszynowego

Wygeneruj PDF dla tej strony

Podstawy uczenia maszynowego - opis przedmiotu

Cel przedmiotu

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.

Wymagania wstępne

Zapisz zmiany

Znajomość podstaw statystyki oraz podstaw programowania.

Zakres tematyczny

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.

Metody kształcenia

Wykład: tradycyjny i problemowy. Laboratorium: rozwiązywanie problemów badawczych za pomocą algorytmów uczenia maszynowego przy wykorzystaniu specjalistycznych bibliotek programu R. 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. 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

Literatura uzupełniająca

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.

Uwagi

Zmodyfikowane przez dr Robert Dylewski, prof. UZ (ostatnia modyfikacja: 19-09-2019 12:04)