Techniki uczenia maszyn 400-IS1-3TUM
Laboratorium i projekt (LAB+PROJ) 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.

Przebieg pracy nad projektem i jego wyniki przestawiane są przez studenta w pisemnym sprawozdaniu. Ocena pracy studenta dokonuje się na podstawie: (i) przestawionego sprawozdania, (ii) prezentację sprawozdania przez studenta prowadzącemu zajęcia projektowe (ewentualnie z udziałem innych studentów), (iii) dyskusji treści sprawozdania z prowadzącym zajęcia projektowe. Jeśli w semestrze zostały wykonane dwa projekty, to ocena końcowa jest średnią arytmetyczną ocen obu projektów. Jeżeli w ocenie na miejscach po przecinku występuje 25 lub 75 o zaokrągleniu oceny w górę lub w dół do oceny 3; 3.5; 4; 4.5; 5 decyduje prowadzący zajęcia.

Tematy projektów nawiązują do treści przedstawionych na wykładzie. Są to zadania wykorzystujące techniki uczenie nadzorowanego i nienadzorowanego. Przykładem jest napisanie w wybranym przez siebie języku programowania programu realizującego algorytm grupowania k-średnich oraz wykreślający „krzywą łokcia” i na wybranym przykładzie relatywnie dużego zbioru danych przetestowanie jego działanie, a następnie korzystając ze znanych repozytoriów programów (np. w systemie Weka) wybrać i wykonać program k-średnich pochodzący z tego repozytorium na wcześniej wybranym zbiorze danych i porównać wyniki otrzymane przez własny program z wynikami podanymi przez program z biblioteki. Projekty realizowane są indywidualnej, ewentualnie w przypadku bardziej złożonych projektów w 2 – 3 osobowych grupach.

Projekty realizowane są indywidualnej, ewentualnie w 2 – 3 osobowych grupach. Prace projektowe polegają na: (i) określeniu przez prowadzącego tematu projektu 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 projektu przez studenta, (iv) przygotowanie sprawozdania pisemnego z realizacji projektu(ów) obejmującego opis zadania, jego wykonanie, wyniki i wnioski, (v) przedstawienie przez studenta sprawozdania prowadzącemu zajęcia, (vi) ocenie sprawozdania przez prowadzącego zajęcia. W trakcie semestru student realizuje jeden większy lub dwa mniejsze projekty.