1. SylabUZ
2. Wydział Matematyki, Informatyki i Ekonometrii
3. semestr zimowy 2018/2019
4. Matematyka - pierwszego stopnia z tyt. licencjata
5. Podstawy uczenia maszynowego

Wygeneruj PDF dla tej strony

Podstawy uczenia maszynowego - opis przedmiotu

Cel przedmiotu

Założeniem kursu jest zapoznanie studentów z podstawowymi algorytmami uczenia maszynowego mającymi obecnie bardzo szerokie zastosowanie w praktycznej analizie różnego typu zbiorów danych.

Celem końcowym kursu jest nabycie przez studenta umiejętności wyboru odpowiednich metod uczenia maszynowego w zależności od postawionego praktycznego problemu. Umiejętność odkrywania wzorców oraz reguł ukrytych w danych. Użycie metod uczenia maszynowego jako wsparcie w procesie wspomagania decyzji biznesowych.

Dodatkowo analizy danych rzeczywistych będą przeprowadzane przy użyciu obecnie bardzo popularnego wśród analityków oprogramowania R. Po tym kursie student będzie posiadał umiejętność wykorzystania specjalistycznych bibliotek programu R, do rozwiązywania konkretnych problemów za pomocą algorytmów uczenia maszynowego.

Wymagania wstępne

Zapisz zmiany

Znajomość podstaw statystyki oraz rachunku prawdopodobieństwa.

Zakres tematyczny

Wykład/Laboratorium:

1. Wprowadzenie do problematyki uczenia maszynowego. Podstawowe zadania dotyczące eksploracji danych.
2. Wstępne przetwarzanie danych: czyszczenie danych, transformacje zmiennych, graficzna prezentacja zmiennych.
3. Klasyfikacja podstawowych metod uczenia maszynowego. Metody uczenia z nadzorem i bez nadzoru. Zbiory danych uczące i testowe.
4. Algorytmy analizy skupień: grupowanie hierarchiczne, metoda K-średnich.
5. Ocena jakości wyników grupowania.
6. Metody redukcji wymiaru: analiza składowych głównych.
7. Algorytmy klasyfikacji: drzewa decyzyjne, sieć Bayesa.
8. Regresyjne, statystyczne modele klasyfikacyjne: liniowy i logistyczny.
9. Ocena jakości modeli klasyfikacyjnych: macierz pomyłek, krzywa ROC, trafność klasyfikacji.

Metody kształcenia

Wykład: tradycyjny i problemowy.

Laboratorium: rozwiązywanie problemów badawczych za pomocą algorytmów uczenia maszynowego przy wykorzystaniu specjalistycznych bibliotek programu R. Dyskusja. Praca w zespole.

Efekty uczenia się i metody weryfikacji osiągania efektów uczenia się

Opis efektu	Symbole efektów	Metody weryfikacji	Forma zajęć

Warunki zaliczenia

Sprawdzanie stopnia przygotowania studentów oraz ich aktywności zarówno na laboratorium, jak i na wykładzie.

Ocena z laboratorium wystawiana będzie na podstawie wyników z kolokwium i/lub projektów.

Literatura podstawowa

1. T. Morzy, Eksploracja danych – metody i algorytmy, Wydawnictwo naukowe PWN, Warszawa, 2013.
2. M. Szeliga, Data science i uczenie maszynowe, Wydawnictwo naukowe PWN, Warszawa, 2017.
3. Christopher M. Bishop Pattern Recognition and Machine Learning, Springer, 2007
4. J. Koronacki, J. Ćwik: Statystyczne systemy uczące się. Wydanie drugie, EXIT, Warszawa, 2007

Literatura uzupełniająca

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.

Uwagi

Zmodyfikowane przez dr Alina Szelecka (ostatnia modyfikacja: 22-11-2019 09:32)