1. SylabUZ
2. Faculty of Exact and Natural Sciences
3. summer term 2022/2023
4. data engineering - Second-cycle studies leading to MS degree
5. Machine Learning in Python

Generate PDF for this page

Machine Learning in Python - course description

Aim of the course

Celem kursu jest zapoznanie studentów z algorytmami uczenia maszynowego oraz ich właściwym wykorzystaniem w zagadnieniach praktycznych. Po tym kursie student będzie posiadał umiejętność implementacji algorytmów uczenia maszynowego przy wykorzystaniu specjalistycznych bibliotek programu Python. 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.

Prerequisites

Save changes

Znajomość podstaw statystyki oraz podstaw programowania.

Scope

Wykład/Laboratorium:

1. Wprowadzenie do problematyki uczenia maszynowego. Metody uczenia maszynowego jako technika wspomagania decyzji.
2. Praca w środowisku Python  z bibliotekami zawierającymi implementacje algorytmów uczenia maszynowego: Scikit-Learn, Keras, TensorFlow.
3. Wstępne przetwarzanie i skalowanie danych. Walidacja krzyżowa.
4. Klasyfikacja podstawowych metod uczenia maszynowego.
5. Uczenie nienadzorowane. Algorytmy analizy skupień: grupowanie hierarchiczne, metoda K-średnich. Redukcja wymiarowości.
6. Techniki uczenia nadzorowanego. Algorytmy klasyfikacji i regresji: model regresji liniowej, model logistyczny, drzewa decyzyjne, maszyny wektorów nośnych. Sztuczne sieci neuronowe.  
7. Ocena jakości modeli. Krzywe uczenia się. Strojenie hiperparametrów i metody regularyzacji modelu.

Teaching methods

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 Python. Praca w zespole. Dyskusja związana z wykorzystaniem odpowiednich algorytmów oraz interpretacja wyników pośrednich i końcowych.

Learning outcomes and methods of theirs verification

Outcome description	Outcome symbols	Methods of verification	The class form

Assignment conditions

Wykład. Wiedza nabyta w ramach wykładu będzie weryfikowana testem zaliczeniowym złożonym z pytań teoretycznych i praktycznych zadań. Próg zaliczeniowy to 50% sumy punktów. Zagadnienia zaliczeniowe, na podstawie których opracowywane będą pytania zostaną przekazane studentom przed egzaminem.

Laboratorium. 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.

Ocena końcowa.  Na ocenę z przedmiotu składa się ocena z laboratorium (60%) i ocena z egzaminu (40%). Warunkiem koniecznym uzyskania pozytywnej oceny końcowej jest uzyskanie pozytywnej oceny z egzaminu i laboratorium.

Recommended reading

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

Further reading

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.

Notes

Modified by dr Magdalena Wojciech (last modification: 25-05-2022 23:45)