1. SylabUZ
2. Wydział Matematyki, Informatyki i Ekonometrii
3. semestr zimowy 2022/2023
4. Informatyka i ekonometria - drugiego stopnia z tyt. magistra
5. Uczenie maszynowe

Wygeneruj PDF dla tej strony

Uczenie maszynowe - opis przedmiotu

Cel przedmiotu

Założeniem kursu jest przygotowanie studentów do rozwiązywania praktycznych problemów przy wykorzystaniu zarówno klasycznych modeli statystycznych, jak również algorytmów sieci neuronowych oraz innych poznanych metod uczenia maszynowego. Ważnym celem tego przedmiotu jest rozwinięcie umiejętności wnioskowania, analitycznego myślenia oraz doboru właściwych algorytmów uczenia maszynowego do zadanego problemu.

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

Wymagania wstępne

Zapisz zmiany

Znajomość podstaw statystyki oraz rachunku prawdopodobieństwa. Analiza danych statystycznych.

Zakres tematyczny

Wykład/Laboratorium:

1. Wprowadzenie do problematyki uczenia maszynowego. Metody uczenia maszynowego jako technika wspomagania decyzji.
2. Klasyfikacja metod uczenia maszynowego. Metody uczenia z nadzorem i bez nadzoru.
3. Wstępne przetwarzanie i skalowanie danych. Walidacja krzyżowa.
4. Uczenie nienadzorowane. Algorytmy analizy skupień: grupowanie hierarchiczne, metoda K-średnich. Redukcja wymiarowości.
5. Reguły asocjacyjne.
6. Techniki uczenia nadzorowanego. Algorytmy klasyfikacji i regresji: model regresji liniowej, model logistyczny, drzewa decyzyjne, sztuczne sieci neuronowe.
7. Ocena jakości modeli. Krzywe uczenia się.

Metody kształcenia

Wykład: tradycyjny i problemowy, prezentacja multimedialna.

Laboratorium: program laboratorium obejmuje pogłębienie zagadnień omawianych na wykładach. Rozwiązywanie problemów badawczych za pomocą algorytmów uczenia maszynowego przy wykorzystaniu specjalistycznych bibliotek programu R lub Python. Praca w zespole. Dyskusja związana z wykorzystaniem odpowiednich algorytmów oraz interpretacja wyników pośrednich i końcowych.

 

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.

Umiejętności nabyte w ramach zajęć laboratoryjnych weryfikowane są na podstawie wykonania przez studenta wskazanych zadań i problemów rozliczanych w formie raportów. Próg zaliczeniowy to 50% sumy punktów.

Literatura podstawowa

1. Geron Aurelien: Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow. Helion 2020.
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. S. Raschka, V. Mirjalili, Python. Uczenie maszynowe. Helion, 2019.
6. W. Richert, L.P. Coelho, Building Machine Learning Systems with Python, Packt Publishing, 2013.
7. A. C. Muller, S. Guido: Machine learning, Python i data science. Wprowadzenie. Helion, 2021.

Literatura uzupełniająca

 

1. J. Koronacki, J. Ćwik: Statystyczne systemy uczące się. Wydanie drugie, EXIT, Warszawa, 2007
2.  D.T. Larose, Metody i modele eksploracji danych, Wydawnictwo naukowe PWN, Warszawa, 2012.
3. M. Gągolewski, Programowanie w języku R – Analiza danych,  obliczenia, symulacje, Wydawnictwo naukowe PWN, Warszawa, 2016.
4. T. Górecki Podstawy statystyki z przykładami w R BTC Legionowo 2011.

Uwagi

Zmodyfikowane przez dr Magdalena Wojciech (ostatnia modyfikacja: 25-05-2022 23:42)