Przedmiot fakultatywny 1 - Wstęp do uczenia maszynowego

• 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

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.

Egzamin pisemny (test + zadania otwarte): W1, W2, W3, U1, U2, U3, U4

Ocena projektu/pracy laboratoryjnej: U1, U2, U3, U4, K2

Ocena ciągła aktywności na wykładzie/labie: U4, K1, K2

Prezentacja wyników/projektu: U4, K2

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.

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

Wiedza

W1: Student wyjaśnia zasadę działania wybranych algorytmów uczenia maszynowego (K_W01, K_W02)

W2: Student identyfikuje i opisuje algorytmy oraz metody uczenia maszynowego wykorzystywane w nowoczesnych bibliotekach (K_W05)

W3: Student charakteryzuje formalne podstawy mechanizmów uczenia maszynowego, w tym zagadnienia statystyki i probabilistyki (K_W09, K_W11)

Umiejętności

U1: Student analizuje i porównuje algorytmy uczenia maszynowego (K_U02)

U2: Student projektuje i implementuje proste rozwiązania z użyciem uczenia maszynowego (K_U03, K_U04)

U3: Student dobiera hiperparametry i optymalizuje działanie wybranych algorytmów (K_U04)

U4: Student prezentuje i objaśnia wyniki analizy i działania algorytmów w języku polskim i angielskim (K_U05, K_U07, K_U08)

Kompetencje społeczne (postawy)

K1: Student uznaje potrzebę ciągłego poszerzania wiedzy w dynamicznie rozwijającej się dziedzinie AI (K_K01)

K2: Student potrafi pracować w zespole nad projektem informatycznym, korzystając z repozytoriów kodu i narzędzi kolaboracyjnych (K_K03)