Techniki uczenia maszyn

fakultatywne

Zakłada się, że student ma bazową wiedzę w zakresie sztucznej inteligencji, rachunku prawdopodobieństwa i statystyki oraz systemów baz danych. Student powinien bez trudu czytać i tworzyć kod w jednym z zaawansowanych języków programowania (np. C++, Java, Phyton) oraz mieć orientację w bibliotekach/repozytoriach oprogramowania. Oczekuje się, że student w miarę nabywania podstawowej wiedzy w zakresie uczenia maszynowego będzie zdolny do zaprojektowania i przeprowadzenia prostego eksperymentu analizy danych na zajęciach laboratoryjnych i projektowych.

mieszany: w sali i zdalnie

Uczenie maszyn jest gałęzią sztucznej inteligencji, która stanowi kontekst przedmiotu "Techniki uczenia maszyn". Celem wykładu i zajęć praktycznych (laboratorium i projekt) jest zapoznanie studentów z elementami teorii oraz podstawowymi algorytmami uczenia maszynowego (z nadzorem, bez nadzoru, ze wzmocnieniem) oraz wytworzenie umiejętności zaprojektowania i przeprowadzenia nieskomplikowanych eksperymentów dotyczących analizy danych. Na zajęciach studenci zapoznają się z najważniejszymi technikami uczenia maszyn, w tym z regresją, klasyfikacją i grupowaniem. W ramach zajęć praktycznych sprawdzą działanie wybranych algorytmów (ich wersje programistyczne zostaną pozyskane z istniejących bibliotek uczenia maszynowego) wykorzystywanych do implementacji tych technik.

Profil studiów: praktyczny.

Forma studiów: stacjonarne

Dziedzina: Nauki ścisłe i przyrodnicze

Dyscyplina: Informatyka techniczna i telekomunikacja

Rok studiów: 3 rok/5 sem.

Wymagania wstępne: patrz "Założenia (opisowo)"

Liczba godzin wykładu: 15 godzin

Liczba godzin laboratorium: 15 godzin

Liczba godzin na projekt: 15 godzin

Metody dydaktyczne: Wykład metodą tradycyjną z wykorzystaniem tablicy i autorskich prezentacji multimedialnych oraz angażowanie

studentów do aktywnego udziału w dyskusji podczas wykładu i zajęć praktycznych i zadawania pytań.

Punkty ECTS: 4

Bilans nakładu pracy studenta:

(i) związany z zajęciami wymagającymi bezpośredniego nakładu nauczyciela i studenta -- 50 godzin (2 ECTS) :

Liczba godzin wykładu: 15 godzin

Liczba godzin laboratorium: 15 godzin

Liczba godzin na projekt: 15 godzin

Czas trwania zaliczenia: 2 godziny

Udział w konsultacjach: 3 godziny

(ii) związany z zajęciami o charakterze praktycznym -- 55 godzin (2,2 ECTS)

Przygotowanie się studenta do wykładu: 5 godziny

Przygotowanie się studenta do laboratorium: 20 godzin

Przygotowanie się studenta do projektu: 15 godzin

Przygotowanie się studenta do konsultacji, sprawdzianów i zaliczenia: 15 godzin

1. Y. S. Abu-Mostafa, M. Magdon-Ismail, H.-T. Lin: Learning from Data: A Short Course. AMLBook, 2012.

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

3. 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

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

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

6. T. Mitchell: Machine Learning. McGraw Hill, 1997.

7.F. Provost, T. Fawcett: Analiza danych w biznesie. Sztuka podejmowania skutecznych decyzji. Hellion, 2014.

8. Biblioteki Weka, Scikit-learn, TensorFlow.

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

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

WIEDZA

KP6_WG5 - Zna zasady 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 metody algebry: prowadzić proste rozumowania wewnątrz teorii podstawowych struktur algebraicznych, stosować aparat macierzowy do rozwiązywania problemów.

KP6_UW2 - Umie wykorzystać metody statystyczne do analizy danych.

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

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

KP6_UW5 - Samodzielnie implementuje algorytmy stosując odpowiednie elementy wybranego języka programowania.

KP6_UW10 - Potrafi opisać problemy wyrażone w języku naturalnym w terminologii sztucznej inteligencji.

KP6_UW15 - Potrafi modelować cyfrowo wybrane zjawiska i symulować obliczeniowo procesy, potrafi optymalizować reprezentacje cyfrowe zjawisk i procesów.

KP6_UK1 - Posługuje się terminologią informatyczną w języku angielskim.

KP6_UK2 - Potrafi przygotować opracowanie zagadnień informatycznych w języku polskim 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 pracować w zespole programistycznym przy kompleksowym rozwiązaniu zadanego problemu.

KP6_UO2 - Potrafi współpracować w grupie realizując wspólne projekty

KP6_UU1 - Rozumie potrzebę podnoszenia swoich umiejętności i kwalifikacji

KOMPETENCJE SPOŁECZNE

KP6_KK1 - Starannie określa priorytety i kolejność swoich działań

KP6_KO1 - Wykazuje postawę kreatywności i innowacyjności niezbędną do podjęcia praktycznej aktywności w społeczeństwie informacyjnym

Forma zaliczenia: zaliczenie wykładu, laboratorium i projektu na ocenę;