SylabUZ
| Nazwa przedmiotu | Wstęp do uczenia maszynowego |
| Kod przedmiotu | 13.2-WF-FizD-WUM-S21 |
| Wydział | Wydział Nauk Ścisłych i Przyrodniczych |
| Kierunek | Fizyka |
| Profil | ogólnoakademicki |
| Rodzaj studiów | drugiego stopnia z tyt. magistra |
| Semestr rozpoczęcia | semestr zimowy 2024/2025 |
| Semestr | 3 |
| Liczba punktów ECTS do zdobycia | 4 |
| Występuje w specjalnościach | Fizyka komputerowa |
| 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 |
| Laboratorium | 45 | 3 | - | - | Zaliczenie na ocenę |
| Wykład | 15 | 1 | - | - | Egzamin |
Celem przedmiotu jest zapoznanie studentów z podstawami uczenia maszynowego, jego terminologią i obaszarami zastosowania, oraz umiejętność wykorzystania gotowych bibliotek do rozwiązania prostych/typowych problemów ML.
Programowanie w języku Python, podstawy statystyki i analizy danych.
1. Wstęp do uczenia maszynowego, historia, terminologia, zastosowania
2. Przegląd bibliotek do uczenia maszynowego dostępnych w Python-ie
3. Klasyfikatory
4. Wstępne przetwarzanie danych
5. Metody redukcji danych
6. Metody oceny modelu
Wykład, laboratorium komputerowe
| Opis efektu | Symbole efektów | Metody weryfikacji | Forma zajęć |
Laboratorium: 40% oceny to średnia testów/sprawdzianów przeprowadzonych w trakcie zajęć, 60% ocena z projektu zaliczeniowego. Warunkiem otrzymania zaliczenia jest pozytywna ocena zarówno projektu końcowego jak i minimalnie średnia ocena na poziomie oceny dostatecznej z testów/sprawdzianów.
Wykład: egzamin
Ocena końcowa: 50% to ocena z laboratorium, 50% ocena z egzaminu
| Obciążenie pracą | Studia stacjonarne (w godz.) |
Studia niestacjonarne (w godz.) |
| Godziny kontaktowe (udział w zajęciach; konsultacjach; egzaminie, itp.) | 60 | - |
| Samodzielna praca studenta (przygotowanie do: zajęć, kolokwium, egzaminu; studiowanie literatury przygotowanie: pracy pisemnej, projektu, prezentacji, raportu, wystąpienia; itp.) | 50 | - |
| Łącznie | 110 | - |
| Punkty ECTS | Studia stacjonarne | Studia niestacjonarne |
| Zajęcia z udziałem nauczyciela akademickiego | 2 | - |
| Zajęcia bez udziału nauczyciela akademickiego | 2 | - |
| Łącznie | 4 | - |
1. "Python. Uczenie maszynowe. Wydanie II", Sebastian Raschka, Vahid Mirjalili, Helion
2. "Uczenie maszynowe z uzyciem SciKit-Learn i TensorFlow. Wydanie II", Aurélien Géron, Helion
3. "Python. Data Science Handbook", Jake VanderPlas, O'Reilly
Internet
Zmodyfikowane przez dr Marcin Kośmider (ostatnia modyfikacja: 02-06-2024 17:48)
