Techniki uczenia maszyn 400-IS1-3TUM
Laboratorium (LAB) 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

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_UW5- potrafi implementować algorytmy stosując elementy wybranego języka programowania.

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

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.

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.

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.