1. SylabUZ
2. Wydział Matematyki, Informatyki i Ekonometrii
3. semestr zimowy 2022/2023
4. Matematyka - pierwszego stopnia z tyt. licencjata
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 programu Python, 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 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. S. Raschka, V. Mirjalili, Python. Uczenie maszynowe, Helion, 2019.
2. Geron Aurelien: Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow, Helion, 2020.
3. W. Richert, L.P. Coelho, Building Machine Learning Systems with Python, Packt Publishing, 2013.
4. A. C. Muller, S. Guido: Machine learning, Python i data science. Wprowadzenie, Helion, 2021.
5. M. Gągolewski, M. Bartoszuk, A. Cena, Przetwarzanie i analiza danych w języku Python, PWN, 2016.
6. T. Morzy, Eksploracja danych – metody i algorytmy, Wydawnictwo naukowe PWN, Warszawa, 2013.
7. Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer, 2007

Literatura uzupełniająca

1. GoodFellow I, Bengio Y., Courville A. Deep learning. Systemy uczące się, PWN, Warszawa, 2018.
2. W. Richert, L.P. Coelho, Building Machine Learning Systems with Python, Packt Publishing, 2013.
3. J. Koronacki, J. Ćwik: Statystyczne systemy uczące się. Wydanie drugie, EXIT, Warszawa, 2007.
4. M. Szeliga, Data science i uczenie maszynowe, Wydawnictwo naukowe PWN, Warszawa, 2017.

Uwagi

Zmodyfikowane przez dr hab. Bogdan Szal, prof. UZ (ostatnia modyfikacja: 28-03-2024 21:01)