Uczenie maszynowe (AI)

Podstawy programowania

30h - laboratoria

70h - praca własna studenta

1. Prace zaliczeniowe w formie projektów

2. Aktywność w trakcie zajęć

Problem uczenia maszynowego 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 maszynowe 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 uczenia maszynowego.

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

1. Student ma wiedzę na temat wybranych typów uczenia maszynowego (ML), zna terminologię niezbędną do analizy danych (K_W02, K_W03, K_W08, K_U01)

2. Student zna teoretyczne podstawy uczenia maszynowego 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 ML ; 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 uczenia maszynowego i umie samodzielnie zrealizować wybrane jego metody (K_W08, K_W09, K_U05, K_U06)

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

6. Student umie wykorzystać rezultaty uczenia maszynowego 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)