Uniwersytet w Białymstoku - Centralny System Uwierzytelniania
Strona główna

Techniki uczenia maszyn 400-IS1-3TUM
Laboratorium (LAB) Rok akademicki 2021/22

Informacje o zajęciach (wspólne dla wszystkich grup)

Liczba godzin: 15
Limit miejsc: 99
Zaliczenie: Zaliczenie na ocenę
Literatura:

1. P. Cichosz: Systemy uczące się. Wydawnictwa Naukowo-Techniczne, 2001, 2007.

2. Frank E., Hall M.A, and Witten I.H: The WEKA Workbench, Online Appendix for

“Data Mining: Practical Machine Learning Tools and Techniques” Morgan Kaufmann, Fourth Edition, 2016. https://www.cs.waikato.ac.nz/ml/weka/Witten_et_al_2016_appendix.pdf

3. A. Géron: Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow. Hellion, 2020.

4. J. Grus: Data science od podstaw. Analiza danych w Pythonie. Hellion, 2020.

5. Muraszkiewicz M., Nowak R. (edytorzy): Sztuczna inteligencja dla inżynierów. Metody ogólne. Wydawnictwo Politechniki Warszawskiej, Warszawa 2022.

6. Biblioteki Weka, Scikit-learn, TensorFlow.

7. Pakiety języka R (m.in. rpart, e1071, ReinforcementLearning, RWeka).

8. Pakiety języka Python (m.in. scikit-learn, gym).

Efekty uczenia się:

WIEDZA

KP6_WG5 - zna zasady logicznej organizacji, kolekcjonowania i przechowywania danych.

KP6_WG9 - zna podstawowe zagadnienia w dziedzinie sztucznej inteligencji, reprezentacji i przetwarzania wiedzy, komunikacji człowiek-komputer.

UMIEJĘTNOŚCI

KP6_UW1 - potrafi stosować pojęcia i metody algebry, analizy matematycznej, logiki i teorii mnogości, matematyki dyskretnej oraz statystyki do rozwiązywania zagadnień informatycznych.

KP6_UW2 - potrafi wykorzystać metody statystyczne do analizy danych.

KP6_UW3 - potrafi samodzielnie zaprojektować algorytmy realizujące wybrane zadania, potrafi przeprowadzić analizę złożoności danego algorytmu.

KP6_UW4 - potrafi wybrać odpowiedni paradygmat i język programowania do rozwiązania określonego typu zadań.

KP6_UW5 - potrafi implementować algorytmy stosując elementy wybranego języka programowania.

KP6_UW10 - potrafi rozwiązywać problemy wyrażone w języku naturalnym technikami sztucznej inteligencji oraz komunikacji człowiek-maszyna.

KP6_UK2 - potrafi przygotować opracowanie zagadnień informatycznych (w tym dokumentacji technicznej) w języku polskim i litewskim oraz zaprezentować je.

KP6_UK3 - potrafi samodzielnie opracować rozwiązanie zadanego zagadnienia informatycznego z pogranicza teorii i praktyki oraz przedstawić rozwiązanie i wnioski.

KP6_UO1- potrafi współpracować w grupie planując i realizując wspólne projekty, w tym kompleksowe projekty programistyczne.

KP6_UU1 – potrafi samodzielnie planować rozwój własny w zakresie podnoszenia swoich umiejętności i kwalifikacji.

KOMPETENCJE SPOŁECZNE

KP6_KK1 – jest gotów do starannego określania priorytetów i ustalania właściwej kolejności podejmowanych działań.

Metody i kryteria oceniania:

Ocena pracy studenta w laboratorium oparta jest na ocenie wykonania wszystkich zadań przedstawionych przez studenta w sprawozdaniach. Każde sprawozdanie oceniane jest przez prowadzącego zajęcia na podstawie prezentacji sprawozdania przez studenta i dyskusji treści sprawozdania z prowadzącym. Końcowa ocena jest „zaokrągloną” sumą ważoną ocen poszczególnych sprawozdań:

Suma(waga[i] * ocena_sprawozdania[i], dla i = 1, 2, …, n),

gdzie waga[i] jest współczynnikiem trudności i-tego zadania/sprawozdania z przedziału (0,1> ustalonym przez prowadzącego zajęcia (suma wag musi wynosić 1), zaś n jest liczbą zadań.

Obliczona Suma jest zaokrąglana, co polega na sprowadzeniu Sumy do najbliższej jednostki oceny. Jednostkami tymi są: 2; 3; 3.5; 4; 4.5; 5. Na przykład Suma=3,7 jest zaokrąglana do 3,5, zaś Suma=3,8 jest zaokrąglana do 4. Jeżeli na miejscach po przecinku występuje 25 lub 75 o zaokrągleniu w górę lub w dół decyduje prowadzący zajęcia.

W semestrze przewiduje się 7 – 10 zadań (sprawozdań).

Przykład (dla trzech zadań w semestrze):

waga[i] = 0,1 ocena_sprawozdania[1] = 3

waga[i] = 0,5 ocena_sprawozdania[1] = 5

waga[i] = 0,4 ocena_sprawozdania[1] = 4

0,1*3 + 0,5*5 + 0,4*4 = 4,4 co po zaokrągleniu daje ocenę z laboratorium – 4,5.

Zakres tematów:

Tematy zajęć laboratoryjnych nawiązują do treści przedstawionych na wykładzie. Są to m.in.: algorytmy wyznaczanie najkrótszych ścieżek w grafach (algorytm Dijkstry, algorytm A z gwiazdką); rodzaje wnioskowania; uczenie nadzorowane i nienadzorowane (regresja liniowa; drzewa decyzyjne; klasyfikator naiwny Bayesa, maszyna wektorów nośnych; grupowanie). Przykładem zadnia laboratoryjnego jest implementacja, testowanie i wykonanie na przykładowych danych wybranego algorytm, np. algorytmu ID3 indukowania drzewa decyzyjnego.

Metody dydaktyczne:

Prace w ramach laboratorium maja głównie charakter indywidualny i polegają na: (i) określeniu przez prowadzącego zadania do wykonania wraz z wyjaśnieniami merytorycznymi i organizacyjnymi dotyczącymi jego realizacji, (ii) przypomnieniu przez prowadzącego zajęcia omawianych na wykładzie metod i algorytmów odnoszących się do sformułowanego zadania i dyskusji ze studentami na ten temat, (iii) realizację zadania przez studenta, (iv) przygotowanie sprawozdania pisemnego z realizacji obejmującego opis zadania, jego wykonanie, wyniki i wnioski, (v) przedstawienie przez studenta sprawozdania prowadzącemu zajęcia, (vi) ocenie sprawozdania przez prowadzącego zajęcia.

Grupy zajęciowe

zobacz na planie zajęć

Grupa Termin(y) Prowadzący Miejsca Liczba osób w grupie / limit miejsc Akcje
1 wielokrotnie, poniedziałek (niestandardowa częstotliwość), 10:10 - 11:40, sala NZ-nauczanie zdalne
Mieczysław Muraszkiewicz 6/99 szczegóły
Wszystkie zajęcia odbywają się w budynku:
Budynek Wydziału Ekonomiczno-Informatycznego w Wilnie
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet w Białymstoku.
ul. Świerkowa 20B, 15-328 Białystok tel: +48 85 745 70 00 (Centrala) https://uwb.edu.pl kontakt deklaracja dostępności mapa serwisu USOSweb 7.0.4.0-4 (2024-07-15)