Uczenie maszynowe w Pythonie

obowiązkowe

Założeniem kursu jest zapoznanie studentów z algorytmami uczenia maszynowego mającymi obecnie bardzo szerokie zastosowanie w praktycznej analizie różnych zbiorów danych. Celem końcowym kursu jest nabycie przez studenta umiejętności wyboru odpowiednich metod uczenia maszynowego w zależności od praktycznego problemu. Umiejętność odkrywania wzorców oraz reguł ukrytych w danych. Użycie metod uczenia maszynowego jako wsparcie w procesie wspomagania decyzji biznesowych. Wdrożenie wybranego modelu, algorytmu w celu rozwiązania postawionego problemu. Po tym kursie student będzie posiadał umiejętność wykorzystania bibliotek języka Python do analizy różnych zbiorów danych.

Podstawowe pojęcia uczenia maszynowego. Podstawy uczenia nadzorowanego i nienadzorowanego. Przegląd metod grupowania obiektów. Przegląd metod

klasyfikacji. Zastosowanie wybranych metod grupowania obiektów do analizy danych ekonomicznych w języku Python. Zastosowanie wybranych metod klasyfikacji do analizy danych ekonomicznych w języku Python. Metody walidacji modeli. Metody wyboru zmiennych do konstrukcji modeli.

Profil studiów: ogólnoakademicki

Forma studiów: stacjonarne / niestacjonarne

Rodzaj przedmiotu: obowiązkowy

Dziedzina i dyscyplina nauki: Informatyka

Rok studiów / semestr: 3 / 5

Wykład: 30 Laboratorium: 30

Metody dydaktyczne: wykłady, ćwiczenia laboratoryjne, konsultacje, praca nad projektem, praca nad wystąpieniem, praca nad literaturą, rozwiązywanie zadań domowych, dyskusje w grupach problemowych

Sposoby weryfikacji: egzamin; sprawozdanie z ćwiczeń laboratoryjnych, obserwacja ciągła aktywności studenta

Punkty ECTS: 5,0

Bilans nakładu pracy studenta:

Udział w zajęciach:

- wykład 30h

- laboratorium 30h

Przygotowanie do zajęć:

- wykład 15h

- laboratorium 15h

Zapoznanie z literaturą: 8h

Przygotowanie do egzaminu: 15h

Czas trwania egzaminu: 2h

Udział w konsultacjach: 3h

Wskaźniki ilościowe:

wymagających bezpośredniego udziału nauczycieli akademickich lub innych osób prowadzących zajęcia: 2,6 ECTS

z zakresu nauk podstawowych właściwych dla danego kierunku studiów, do których odnoszą się efekty uczenia się dla danego kierunku, poziomu i profilu kształcenia: 5,0 ECTS

zajęcia kształtujące umiejętności praktyczne/zajęcia związane z prowadzoną w uczelni działalnością naukową w dyscyplinie/dyscyplinach do których przyporządkowany jest kierunek studiów: 5,0 ECTS

1. M. Szeliga, Data science i uczenie maszynowe, Wydawnictwo naukowe PWN, Warszawa, 2017.

2. T. Morzy, Eksploracja danych – metody i algorytmy, Wydawnictwo naukowe PWN, Warszawa, 2013.

3. Christopher M. Bishop Pattern Recognition and Machine Learning, Springer, 2007

4. J. Koronacki, J. Ćwik: Statystyczne systemy uczące się. Wydanie drugie, EXIT, Warszawa, 2007

WIEDZA, absolwent zna i rozumie:

pojęcie algorytmu, zasady ich projektowania i analizy oraz posiada wiedzę o podstawowych strukturach danych - KA6_WG1,

podstawowe pojęcia z dziedziny uczenia maszynowego – reprezentacja cech, klasyfikacja, uczenie pod nadzorem i bez nadzoru; zna wybrane metody wyboru istotnych cech, metody grupowania obiektów oraz metody klasyfikacji - KA6_WG7,

podstawowe zagadnienia w dziedzinie sztucznej inteligencji, reprezentacji i przetwarzania wiedzy, komunikacji człowiek-komputer - KA6_WG9,

UMIEJĘTNOŚCI, absolwent potrafi:

konfigurować wybrane aplikacje, usługi i serwery sieciowe oraz tworzyć

proste strony WWW w wybranych technologiach - KA6_UW5,

zastosować metody wyboru istotnych cech, metody grupowania obiektów oraz metody klasyfikacji do analizy danych ekonomicznych - KA6_UW10,

posługiwać się wzorcami projektowymi, posługiwać się API oraz wykorzystać narzędzia wspomagające proces tworzenia, testowania i debugowania oprogramowania - KA6_UW11,

rozumie potrzebę uczenia się przez całe życie - KA6_UU1,

rozumie potrzebę podnoszenia kompetencji zawodowych i osobistych -KA6_UU2

Ogólna forma zaliczenia: zaliczenie na ocenę