Uniwersytet w Białymstoku - Centralny System Uwierzytelniania
Strona główna

Techniki uczenia maszyn

Informacje ogólne

Kod przedmiotu: 400-IS1-3TUM
Kod Erasmus / ISCED: 11.003 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (brak danych)
Nazwa przedmiotu: Techniki uczenia maszyn
Jednostka: Filia Uniwersytetu w Białymstoku w Wilnie, Wydział Ekonomiczno-Informatyczny
Grupy: 3L stac. I st. studia informatyki - przedmioty fakultatywne - WILNO
Wilno - informatyka 3 rok 1 st. stacjonarne sem.zimowy
Punkty ECTS i inne: 4.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.

zobacz reguły punktacji
Język prowadzenia: polski
Rodzaj przedmiotu:

fakultatywne

Założenia (opisowo):

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.





Tryb prowadzenia przedmiotu:

mieszany: w sali i zdalnie

Skrócony opis:

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.

Pełny opis:

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.

Literatura:

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).

Efekty uczenia się:

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.

Metody i kryteria oceniania:

Forma zaliczenia przedmiotu:

Wykład: egzamin.

Laboratorium: zaliczenie.

Projekt: zaliczenie.

Zajęcia w cyklu "Rok akademicki 2022/23" (zakończony)

Okres: 2022-10-01 - 2023-06-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 15 godzin więcej informacji
Projekt, 15 godzin więcej informacji
Wykład, 15 godzin więcej informacji
Koordynatorzy: Mieczysław Muraszkiewicz
Prowadzący grup: Mieczysław Muraszkiewicz
Lista studentów: (nie masz dostępu)
Zaliczenie: Zaliczenie na ocenę
Skrócony opis:

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.

Pełny opis:

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.

Literatura:

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).

Uwagi:

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.

Zajęcia w cyklu "Rok akademicki 2023/24" (w trakcie)

Okres: 2023-10-01 - 2024-06-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 15 godzin, 30 miejsc więcej informacji
Laboratorium i projekt, 15 godzin, 30 miejsc więcej informacji
Wykład, 15 godzin, 30 miejsc więcej informacji
Koordynatorzy: Mieczysław Muraszkiewicz
Prowadzący grup: Mieczysław Muraszkiewicz
Lista studentów: (nie masz dostępu)
Zaliczenie: Zaliczenie na ocenę
Skrócony opis:

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.

Pełny opis:

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.

Literatura:

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).

Uwagi:

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.

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet w Białymstoku.
ul. Świerkowa 20B, 15-328 Białystok tel: +48 85 745 70 00 (Centrala) https://uwb.edu.pl kontakt deklaracja dostępności USOSweb 7.0.2.0-1 (2024-03-12)