Machine Learning Techniques
General data
Course ID: | 400-IS1-3TUM |
Erasmus code / ISCED: |
11.003
|
Course title: | Machine Learning Techniques |
Name in Polish: | Techniki uczenia maszyn |
Organizational unit: | Branch of the University of Bialystok in Vilnius, Faculty of Economics and Computer Science |
Course groups: |
(in Polish) 3L stac. I st. studia informatyki - przedmioty fakultatywne - WILNO (in Polish) Wilno - informatyka 3 rok 1 st. stacjonarne sem.zimowy |
ECTS credit allocation (and other scores): |
4.00
|
Language: | Polish |
Type of course: | elective courses |
Prerequisites (description): | (in Polish) 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. |
Mode: | Blended learning |
Short description: |
(in Polish) 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) 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 drogą ich implementacji (kodując je) oraz porównają napisane przez siebie programy z odpowiednikami pozyskanymi z istniejących repozytoriów/bibliotek uczenia maszynowego. |
Full description: |
(in Polish) Treści zajęć obejmą m.in. następujące tematy: opis procesu uczenia maszyn oraz rodzaje uczenia (nadzorowane, nienadzorowane, ze wzmocnieniem); rola i przygotowanie danych do procesu uczenia; metody regresji, klasyfikacji i grupowania; sieci neuronowe i uczenie głębokie; ocena jakości modeli uczenia maszyn oraz zagadnienia etyczne i wyjaśnialność stosowania technik uczenia maszyn. 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 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. |
Bibliography: |
(in Polish) 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). |
Learning outcomes: |
(in Polish) 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. KP6_UW3 - potrafi samodzielnie zaprojektować algorytmy realizujące wybrane zadania, potrafi przeprowadzić analizę złożoności danego algorytmu. KP6_UW4 - potrafi wybrać odpowiedni paradygmat i język programowania do rozwiązania określonego typu zadań. KP6_UW5 - potrafi implementować algorytmy stosując elementy wybranego języka programowania. KP6_UW10 - potrafi rozwiązywać problemy wyrażone w języku naturalnym technikami sztucznej inteligencji oraz komunikacji człowiek-maszyna. KP6_UK2 - potrafi przygotować opracowanie zagadnień informatycznych (w tym dokumentacji technicznej) w języku polskim i litewskim 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 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. |
Assessment methods and assessment criteria: |
(in Polish) Forma zaliczenia przedmiotu: Wykład: egzamin. Laboratorium: zaliczenie. Projekt: zaliczenie. |
Classes in period "Academic year 2023/2024" (past)
Time span: | 2023-10-01 - 2024-06-30 |
Navigate to timetable
MO WYK
LAB+PROJ
LAB
TU W TH FR |
Type of class: |
Laboratory, 15 hours, 30 places
Laboratory and Project, 15 hours, 30 places
Lecture, 15 hours, 30 places
|
|
Coordinators: | Mieczysław Muraszkiewicz | |
Group instructors: | Mieczysław Muraszkiewicz | |
Students list: | (inaccessible to you) | |
Examination: | Grading | |
Short description: |
(in Polish) 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) 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 drogą ich implementacji (kodując je) oraz porównają napisane przez siebie programy z odpowiednikami pozyskanymi z istniejących repozytoriów/bibliotek uczenia maszynowego. |
|
Full description: |
(in Polish) Treści zajęć obejmą m.in. następujące tematy: opis procesu uczenia maszyn oraz rodzaje uczenia (nadzorowane, nienadzorowane, ze wzmocnieniem); rola i przygotowanie danych do procesu uczenia; metody regresji, klasyfikacji i grupowania; sieci neuronowe i uczenie głębokie; ocena jakości modeli uczenia maszyn oraz zagadnienia etyczne i wyjaśnialność stosowania technik uczenia maszyn. 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 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. |
|
Bibliography: |
(in Polish) 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). |
|
Notes: |
(in Polish) 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/lub projektowych. |
Copyright by University of Bialystok.