Uniwersytet Marii Curie-Skłodowskiej w Lublinie - Centralny System Uwierzytelniania
Strona główna

Systemy uczące się (AI)

Informacje ogólne

Kod przedmiotu: F-K.143
Kod Erasmus / ISCED: (brak danych) / (brak danych)
Nazwa przedmiotu: Systemy uczące się (AI)
Jednostka: Instytut Filozofii
Grupy: Kognitywistyka I st. prz. wybieralne blok #AI (sem. 4,6)
Punkty ECTS i inne: (brak) 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
Wymagania wstępne:

Podstawy programowania

Godzinowe ekwiwalenty punktów ECTS:

30h - laboratoria

70h - praca własna studenta

Sposób weryfikacji efektów kształcenia:

1. Prace zaliczeniowe w formie projektów

2. Aktywność w trakcie zajęć

Pełny opis:

Problem systemów uczących się zostanie zaprezentowany w ujęciu, polegającym na automatycznej analizie pewnego zbioru danych i przewidywaniu - w oparciu o ten zbiór – własności danych, których jeszcze nie znamy. Tak rozumiane uczenie się może przebiegać pod nadzorem (ang. supervised learning) lub bez nauczyciela (ang. unsupervised learning). Studenci poznają i zastosują w praktyce:

a) w ramach uczenia nienadzorowanego:

- klasyfikację (zaliczenie próbek do wybranych kategorii),

- regresję (przewidywanie w oparciu o związek danych liczbowych);

b) w ramach uczenia bez nadzoru:

- analizę skupień (clustering) – automatyczne grupowanie podobnych obiektów,

- szacowanie gęstości (ang. density estimation),

- redukcję wymiarowości (ang. dimensionality reduction).

Studenci będą pracować w laboratorium z wybranym systemem maszynowego uczenia się.

Literatura:

1. Paweł Cichosz: Systemy uczące się. WNT 2000

2. Marcin Szeliga: Praktyczne uczenie maszynowe. PWN, 2019

3. Stuart Russel, Peter Norvig: Artificial Intelligence: A Modern Approach. Global Edition. Pearson 2016

Efekty uczenia się:

1. Student ma wiedzę na temat wybranych typów systemów uczących się, zna terminologię niezbędną do analizy danych (K_W02, K_W03, K_W08, K_U01)

2. Student zna teoretyczne podstawy uczenia się maszyn i wie, jak wykorzystać w tym celu wybrane narzędzia informatyczne (K_W08, K_U01, K_U02, K_U05)

3. Student potrafi określić́ podstawowe zadania rozwiązywane przez systemy uczące się, potrafi wskazać podobieństwa i różnice między uczeniem się naturalnym i maszynowym (K_W03, K_W06, K_W08, K_W09, K_W10, K_U02, K_U06)

4. Student zna praktyczne zastosowania systemów uczących się i umie samodzielnie zrealizować wybrane ich metody (K_W08, K_W09, K_U05, K_U06)

5. Student potrafi prawidłowo stosować poznane oprogramowanie do rozwiązywania klasycznych problemów uczenia się maszyn (K_W08, K_U02, K_U05, K_U07, K_U11)

6. Student umie wykorzystać rezultaty uczenia się w dyskusjach nad ludzkimi zdolnościami poznawczymi (K_W06, K_W08, K_U05, K_U06, K_U08, K_U09, K_U10, K_K02)

7. Student wykształca w sobie myślenie twórcze oraz samodzielnie i aktywnie zbiera dane niezbędne do realizacji zadania (K_U06, K_U13, K_K01)

8. Student przestrzega zasad etycznych (w tym praw autorskich) związanych z wykorzystaniem danych i oprogramowania do ich analizy (K_K02, K_K03, K_K06)

Przedmiot nie jest oferowany w żadnym z aktualnych cykli dydaktycznych.
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Marii Curie-Skłodowskiej w Lublinie.
kontakt deklaracja dostępności mapa serwisu USOSweb 7.1.0.0