SylabUZ
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 2022/2023 |
Semestr | 4 |
Liczba punktów ECTS do zdobycia | 5 |
Typ przedmiotu | obieralny |
Język nauczania | polski |
Sylabus opracował |
|
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 |
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.
Znajomość podstaw statystyki oraz rachunku prawdopodobieństwa. Analiza danych statystycznych.
Wykład/Laboratorium:
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.
Opis efektu | Symbole efektów | Metody weryfikacji | Forma zajęć |
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.
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.
Zmodyfikowane przez dr Alina Szelecka (ostatnia modyfikacja: 19-05-2022 21:47)