Techniki uczenia maszyn 400-IS1-3TUM
Wykład (WYK) Rok akademicki 2023/24

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. Muraszkiewicz M., Nowak R. (edytorzy): Sztuczna inteligencja dla inżynierów. Istotne obszary i zastosowania. Wydawnictwo Politechniki Warszawskiej, Warszawa 2023.

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).

Absolwent

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.

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.

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.

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.