SylabUZ

Wygeneruj PDF dla tej strony

Uczenie maszynowe - opis przedmiotu

Informacje ogólne
Nazwa przedmiotu Uczenie maszynowe
Kod przedmiotu 11.3-WK-IiED-UM-S18
Wydział Wydział Matematyki, Informatyki i Ekonometrii
Kierunek Informatyka i ekonometria
Profil ogólnoakademicki
Rodzaj studiów drugiego stopnia z tyt. magistra
Semestr rozpoczęcia semestr zimowy 2019/2020
Informacje o przedmiocie
Semestr 2
Liczba punktów ECTS do zdobycia 5
Występuje w specjalnościach Analityka biznesowa
Typ przedmiotu obieralny
Język nauczania polski
Sylabus opracował
  • dr Magdalena Wojciech
Formy zajęć
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

Cel przedmiotu

Założeniem kursu jest zapoznanie studentów z algorytmami uczenia maszynowego mającymi obecnie bardzo szerokie zastosowanie w praktycznej analizie różnego typu baz danych.

Celem końcowym kursu jest nabycie przez studenta umiejętności wyboru odpowiednich metod uczenia maszynowego w zależności od postawionego praktycznego problemu. Umiejętność odkrywania wzorców, asocjacji oraz reguł ukrytych w danych. Wdrożenie wybranego modelu, algorytmu w celu rozwiązania postawionego problemu badawczego.

Dodatkowo 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 programu do rozwiązywania konkretnych problemów za pomocą algorytmów uczenia maszynowego.

Wymagania wstępne

Znajomość podstaw statystyki oraz rachunku prawdopodobieństwa. Analiza danych statystycznych.

Zakres tematyczny

Wykład/Laboratorium:

  1. Klasyfikacja metod uczenia maszynowego. Metody uczenia z nadzorem i bez nadzoru.
  2. Wstępne przetwarzanie danych. Podstawowe zadania dotyczące eksploracji danych.
  3. Metody grupowania danych: grupowanie hierarchiczne, metoda K-medoidów.
  4. Reguły asocjacyjne.
  5. Algorytmy klasyfikacji: drzewa decyzyjne, lasy losowe, sztuczne sieci neuronowe.
  6. Statystyczny model klasyfikacyjny – model logistyczny.
  7. Oceny jakości wyników klasyfikacji z nadzorem i bez nadzoru.

Metody kształcenia

Wykład: tradycyjny i problemowy.

Laboratorium: rozwiązywanie problemów badawczych za pomocą algorytmów uczenia maszynowego przy wykorzystaniu specjalistycznych bibliotek programu R lub 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

Sprawdzanie stopnia przygotowania studentów oraz ich aktywności zarówno na laboratorium, jak i na wykładzie.

Ocena przedmiotu będzie wynikała ze stopnia zaawansowania projektu wykonanego przez studenta tj. wykorzystania adekwatnych do postawionych problemów badawczych algorytmów uczenia maszynowego, postawienie prawidłowych wniosków, prezentacji graficznych wyników analiz oraz oceny jakości przeprowadzonych analiz.

 

Literatura podstawowa

  1. T. Morzy, Eksploracja danych – metody i algorytmy, Wydawnictwo naukowe PWN, Warszawa, 2013.
  2. M. Szeliga, Data science i uczenie maszynowe, Wydawnictwo naukowe PWN, Warszawa, 2017.
  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.

3.       T. Górecki Podstawy statystyki z przykładami w R BTC Legionowo 2011.

Uwagi


Zmodyfikowane przez dr Alina Szelecka (ostatnia modyfikacja: 22-11-2019 09:42)