1. SylabUZ
2. Wydział Nauk Ścisłych i Przyrodniczych
3. semestr zimowy 2019/2020
4. Computer science and econometrics - pierwszego stopnia z tyt. licencjata
5. Podstawy uczenia maszynowego

Wygeneruj PDF dla tej strony

Podstawy uczenia maszynowego - opis przedmiotu

Cel przedmiotu

The assumption of the course is to familiarize students with the basic machine learning algorithms that are currently very widely used in the practical analysis of various types of databases.

The aim of the course is to acquire by the student the ability to select appropriate machine learning methods depending on the practical business problem.

Analyzes of real data will be carried out using R software, which is currently very popular among analysts. After this course, the student will have the ability to use specialized R program libraries to solve specific problems using machine learning algorithms.

Wymagania wstępne

Zapisz zmiany

Basic knowledge of statistics and probability theory.

Zakres tematyczny

Lecture / Laboratory:

1. Introduction to machine learning. Basic data mining tasks.
2. Data preprocessing: data cleaning, variable transformations, graphical presentation of variables and their dependencies
3. Classification of machine learning methods. Supervised and unsupervised learning methods. Training and test data sets.
4. Cluster analysis algorithms: hierarchical grouping, K-means method.
5. Quality assessment of clustering results.
6. Dimension reduction methods: principal components analysis.
7. Classification algorithms: decision trees, Bayesian network.
8. Regression, statistical classification models: linear and logistic.
9. Assessment of the quality of classification models: confusion matrix, ROC curve, classification accuracy.
    

 

Metody kształcenia

Lectures: traditional or online form.

Laboratory: solving research problems with the use of machine learning algorithms with the use of specialized libraries of the R program. Discussion on possible solutions to the given problems. Teamwork.

Efekty uczenia się i metody weryfikacji osiągania efektów uczenia się

Opis efektu	Symbole efektów	Metody weryfikacji	Forma zajęć

Warunki zaliczenia

1. Checking the level of preparation of students and their activity both in the laboratory and during the lecture.

2. The laboratory grade will be issued on the basis of the test results and / or projects.

Literatura podstawowa

1. Lantz B., Machine learning with R. PACKT 2013.

2. T. Morzy, Eksploracja danych – metody i algorytmy, Wydawnictwo naukowe PWN, Warszawa, 2013.

3. M. Szeliga, Data science i uczenie maszynowe, Wydawnictwo naukowe PWN, Warszawa, 2017.

4. Christopher M. Bishop Pattern Recognition and Machine Learning, Springer, 2007

5. 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: 21-11-2020 06:10)