Uniwersytet w Białymstoku - Centralny System Uwierzytelniania
Strona główna

Techniki uczenia maszyn 400-IS1-3TUM
Wykład (WYK) Rok akademicki 2022/23

Informacje o zajęciach (wspólne dla wszystkich grup)

Liczba godzin: 15
Limit miejsc: (brak limitu)
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.F. Provost, T. Fawcett: Analiza danych w biznesie. Sztuka podejmowania skutecznych decyzji. Hellion, 2014.

7. Biblioteki Weka, Scikit-learn, TensorFlow.

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

9. 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_UW4 - potrafi wybrać odpowiedni paradygmat i język programowania do rozwiązania określonego typu zadań.

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 oparta jest na wyniku sprawdzianu pisemnego i rozmowie z prowadzącym wykład po zakończeniu całego cyklu wykładowego. Jest to średnia arytmetyczna tych dwóch elementów. Jeżeli w ocenie na miejscach po przecinku występuje 25 lub 75, to zaokrągleniu oceny w górę lub w dół do oceny 3; 3.5; 4; 4.5; 5 decyduje prowadzący zajęcia.

Zakres tematów:

Wśród tematów wykładu znajdują się m.in.:

1. Historia, rozwój, zastosowania i zagadnienia uczenia maszyn.

2. Opis procesu uczenia maszyn. Rodzaje uczenia maszyn (nadzorowane, nienadzorowane, ze wzmocnieniem).

3. Rola i przygotowanie danych do procesu uczenia maszyn.

4..Metody regresji.

5. Metody klasyfikacji.

6. Metody grupowania.

7. Metody oceny jakości modeli uczenia maszyn.

8. Sieci neuronowe. Uczenie głębokie.

9. Wyjaśnialność, zagadnienia etyczne.

Treści wykładu są aktualizowane w związku z rozwojem metod i narzędzi informatycznych oraz w pewnym stopniu z wyrażonymi przez studentów zainteresowaniami.

Metody dydaktyczne:

Wykład metodą tradycyjną z wykorzystaniem tablicy i autorskich prezentacji multimedialnych oraz angażowanie studentów do aktywnego udziału w dyskusji podczas wykładu i zadawania pytań. Wykładowi towarzyszy laboratorium i zajęcia projektowe mające na celu nabycie przez studenta umiejętności praktycznych dotyczących wybranych treści przedstawionych na wykładzie.

Grupy zajęciowe

zobacz na planie zajęć

Grupa Termin(y) Prowadzący Miejsca Liczba osób w grupie / limit miejsc Akcje
1 każdy poniedziałek, 15:10 - 16:40, sala NZ-nauczanie zdalne
Mieczysław Muraszkiewicz 13/99 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 USOSweb 7.0.1.0-2 (2024-02-19)