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

Przedmiot fakultatywny 1 - Wstęp do uczenia maszynowego

Informacje ogólne

Kod przedmiotu: MFI-I.3Z.207
Kod Erasmus / ISCED: (brak danych) / (brak danych)
Nazwa przedmiotu: Przedmiot fakultatywny 1 - Wstęp do uczenia maszynowego
Jednostka: Wydział Matematyki, Fizyki i Informatyki
Grupy: Przedmioty fakultatywne - informatyka 5 semestr
Strona przedmiotu: http://kampus.umcs.pl
Punkty ECTS i inne: 0 LUB 5.00 (w zależności od programu) 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: angielski
Wymagania wstępne:

• Znajomość języka Python

• Znajomość warsztatu programisty (GIT, Maven)

• Umiejętność programowania zorientowanego obiektowo.

• Umiejętność posługiwania się środowiskiem programistycznym (IDE) Pycharm, Eclipse lub Netbeans (w tym umiejętność debugowania)

• Znajomość języka angielskiego pozwalająca na rozumienie literatury fachowej

Godzinowe ekwiwalenty punktów ECTS:

Czas pracy z udziałem nauczycieli: 60 godzin – 2 pkt


Praca z literaturą: 15 godzin - 0.5 pkt


Przygotowanie do laboratorium: 45 godzin - 1.5 pkt


Przygotowanie do egzaminu: 30 godzin – 1 pkt


Sumaryczna liczba punktów ECTS dla modułu 5 pkt


W tym liczba punktow ECTS za godziny kontaktowe z bezpośrednim udziałem nauczyciela akademickiego - 2 punktow ECTS.


W tym liczba punktow ECTS za godziny realizowane w formie samodzielnej pracy studenta - 3 punktow ECTS.

Sposób weryfikacji efektów kształcenia:

Egzamin: W1,W2,W3, U1, U2, U3, U4, U5, P1

Pełny opis:

Tematem kursu jest wprowadzenie do metod uczenia maszynowego w oparciu o aktualny stan wiedzy.

W ramach przedmiotu zostanie usystematyzowany obszar wiedzy z zakresu uczenia maszynowego wraz z podstawami statystycznymi do zastosowań omawianych algorytmów i metod.

Zaprezentowane zostanie praktyczne podejście do statystycznej analizy zbiorów danych na przykładzie źródeł zbiorów danych dostępnych publicznie.

Zagadnienia omawiane skupiają się wokół metod regresji liniowej, logistycznej, sztuczny sieci neuronowych, metod trenowania sieci neuronowych. Omówione zostaną też algorytmy nienadzorowane oraz metoda wektorów wsparcia.

Wykorzystywane technologie obejmują programowanie w języku Python oraz wykorzystanie platform chmurowych.

Literatura:

1. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython, 2nd Edition

2. Deep Learning by Ian Goodfellow, Yoshua Bengio and Aaron Courville

3. The Hundred-Page Machine Learning Book by Andriy Burkov

Efekty uczenia się:

Kierunkowe

wiedza:

W1 - Student zna i rozumie podstawy i zasadę działania wybranych algorytmów uczenia maszynowego sztucznej inteligencji: K_W01 K_W02 (ma ogólną wiedzę w zakresie teoretycznych podstaw informatyki)

W2 - Student zna algorytmy wykorzystywane w bibliotekach programistycznych wykorzystywanych do programowania zagadnień związanych z uczeniem maszynowymi: K_W05 (ma ogólną wiedzę w zakresie algorytmiki)

W3 - Student zna formalne podstawy mechanizmów uczenia maszynowego K_W09 (ma znajomość technik statystycznych oraz prawdopodobieństwa w zakresie niezbędnym dla ilościowego opisu, zrozumienia oraz modelowania problemów o średnim poziomie złożoności)

Umiejętności:

U1 - Student potrafi przeanalizować algorytm wykorzystujący mechanizmy uczenia maszynowego - K_U02 (ma umiejętność tworzenia i analizowania algorytmów)

U2 - Student potrafi zaprojektować algorytm wykorzystujący mechanizmy uczenia maszynowego -K_U03 (ma umiejętność projektowania i produkcji programowania)

U3 - Student potrafi dobrać hiperparametry algorytmów uczenia maszynowego -K_U04 (ma umiejętność projektowania i produkcji programowania)

U4 - Student potrafi zaimplementować algorytm wykorzystujący mechanizmy uczenia maszynowego -K_U05 (ma umiejętność tworzenia kodu źródłowego programów komputerowych)

U5 - Student potrafi przedstawić, wyjaśnić i opisać zagadnienia z obszaru uczenia maszynowego w sposób zrozumiały- K_U07, K_U08 (potrafi mówić i pisać o zagadnieniach informatycznych zrozumiałym, potocznym językiem w języku polskim i języku obcym)

Postawy:

P1- Student zdaje sobie sprawę z szybkiego rozwoju uczenia maszynowego i rozumie potrzebę poszerzania własnej wiedzy.K_K01 (zna ograniczenia własnej wiedzy i rozumie potrzebę dalszego kształcenia)

Zajęcia w cyklu "Semestr zimowy 2022/2023" (zakończony)

Okres: 2022-10-01 - 2023-02-01
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Michał Chromiak
Prowadzący grup: Michał Chromiak
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Laboratorium - Zaliczenie na ocenę
Wykład - Zaliczenie na ocenę

Zajęcia w cyklu "Semestr zimowy 2023/2024" (zakończony)

Okres: 2023-10-01 - 2024-02-04
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Michał Chromiak
Prowadzący grup: Michał Chromiak
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Laboratorium - Zaliczenie na ocenę
Wykład - Zaliczenie na ocenę

Zajęcia w cyklu "Semestr zimowy 2024/2025" (w trakcie)

Okres: 2024-10-01 - 2025-02-03
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Michał Chromiak
Prowadzący grup: Michał Chromiak
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Laboratorium - Zaliczenie na ocenę
Wykład - Zaliczenie na ocenę
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 7.1.0.0-96c5a8fb3 (2024-10-22)