1. SylabUZ
2. Wydział Nauk Ścisłych i Przyrodniczych
3. semestr letni 2022/2023
4. Inżynieria danych - drugiego stopnia z tyt. magistra
5. Uczenie maszynowe w Python

Wygeneruj PDF dla tej strony

Uczenie maszynowe w Python - opis przedmiotu

Cel przedmiotu

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.

Wymagania wstępne

Zapisz zmiany

Znajomość podstaw statystyki oraz podstaw programowania.

Zakres tematyczny

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.

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 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

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.

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 Magdalena Wojciech (ostatnia modyfikacja: 25-05-2022 23:45)