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)
|
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 |
Przejdź do planu
PN WT ŚR CZ PT |
Typ zajęć: |
Laboratorium, 30 godzin
Wykład, 30 godzin
|
|
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 |
Przejdź do planu
PN WT ŚR CZ PT |
Typ zajęć: |
Laboratorium, 30 godzin
Wykład, 30 godzin
|
|
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 |
Przejdź do planu
PN WT ŚR CZ PT |
Typ zajęć: |
Laboratorium, 30 godzin
Wykład, 30 godzin
|
|
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 |
Właścicielem praw autorskich jest Uniwersytet Marii Curie-Skłodowskiej w Lublinie.