SylabUZ
| Nazwa przedmiotu | Uczenie maszynowe |
| Kod przedmiotu | 11.9-WE-INFD-UczenieMaszyn |
| Wydział | Wydział Nauk Inżynieryjno-Technicznych |
| Kierunek | Informatyka |
| Profil | ogólnoakademicki |
| Rodzaj studiów | drugiego stopnia z tyt. magistra inżyniera |
| Semestr rozpoczęcia | semestr zimowy 2023/2024 |
| Semestr | 1 |
| Liczba punktów ECTS do zdobycia | 5 |
| Typ przedmiotu | obowiązkowy |
| 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 | 30 | 2 | 18 | 1,2 | Egzamin |
| Laboratorium | 30 | 2 | 18 | 1,2 | Zaliczenie na ocenę |
Zapoznanie studentów z pojęciem uczenia maszynowego oraz jego zastosowaniem do analizy dużych zbiorów danych w systemach ERP oraz nowoczesnych aplikacjach e-biznesowych.
Nauczenie studentów doboru odpowiednich technik uczenia maszynowego w zależności od skali rozpatrywanego problemu oraz rodzaju przeprowadzanej analizy (w czasie rzeczywistym, w trybie batch, przetwarzanie strumieni danych).
Nauczenie studentów pracy z wykorzystaniem nowoczesnych języków i platform ukierunkowanych na uczenie maszynowe, takich jak Python, R i JMP.
Znajomość podstaw rachunku prawdopodobieństwa i statystyki
Znajomość metody numerycznych
Umiejętność programowania w języku Python
Liniowe metody klasyfikacji: klasyfikacja pod nadzorem; liniowa analiza dyskryminacyjna; dyskryminacja w oparciu o regresję liniową i logistyczną; diagnostyka modelu.
Klasyfikacja w oparciu o rozkłady prawdopodobieństwa: klasyfikator bayesowski i metoda największej wiarygodności; optymalność reguły Bayesa; praktyczna konstrukcja klasyfikatorów.
Klasyfikacja w oparciu o nieparametryczną estymację rozkładów prawdopodobieństwa: estymacja rozkładów w klasach; metoda najbliższych sąsiadów.
Drzewa klasyfikacyjne i rodziny klasyfikatorów: reguły podziału; reguły przycinania drzew; algorytmy bagging i boosting; lasy losowe.
Analiza regresji: globalne modele parametryczne; regresja nieparametryczna; efekty losowe i liniowe modele mieszane.
Uogólnienia metod liniowych: dyskryminacja elastyczna; maszyny wektorów podpierających.
Metody rzutowania i detekcja zmiennych ukrytych: systemy uczące się bez nadzoru; analiza składowych głównych; analiza czynnikowa; skalowanie wielowymiarowe.
Analiza skupień: metody kombinatoryczne; metody hierarchiczne.
Deep learning: głębokie sieci jednokierunkowe; regularyzacja; sieci splotowe; sieci rekurencyjne i rekursywne.
wykład konwencjonalny, dyskusja, wykład problemowy, ćwiczenia laboratoryjne, praca w zespole
| Opis efektu | Symbole efektów | Metody weryfikacji | Forma zajęć |
Wykład - warunkiem zaliczenia jest uzyskanie pozytywnej oceny z egzaminu przeprowadzonego w formie zaproponowanej przez prowadzącego
Laboratorium - warunkiem zaliczenia jest uzyskanie ocen pozytywnych z wszystkich ćwiczeń laboratoryjnych
Składowe oceny końcowej = wykład: 50% + laboratorium: 50%
| Obciążenie pracą | Studia stacjonarne (w godz.) |
Studia niestacjonarne (w godz.) |
| Godziny kontaktowe (udział w zajęciach; konsultacjach; egzaminie, itp.) | 75 | 60 |
| Samodzielna praca studenta (przygotowanie do: zajęć, kolokwium, egzaminu; studiowanie literatury przygotowanie: pracy pisemnej, projektu, prezentacji, raportu, wystąpienia; itp.) | 75 | 90 |
| Łącznie | 150 | 150 |
| Punkty ECTS | Studia stacjonarne | Studia niestacjonarne |
| Zajęcia z udziałem nauczyciela akademickiego | 3 | 2 |
| Zajęcia bez udziału nauczyciela akademickiego | 3 | 4 |
| Łącznie | 6 | 6 |
Zmodyfikowane przez prof. dr hab. inż. Dariusz Uciński (ostatnia modyfikacja: 23-03-2023 09:11)
