| Kod przedmiotu |
02 58 6113 00 |
| Liczba punktów ECTS |
2 |
| Nazwa przedmiotu w języku prowadzenia |
Podstawy uczenia maszynowego |
| Nazwa przedmiotu w języku polskim |
Podstawy uczenia maszynowego |
| Nazwa przedmiotu w języku angielskim |
Machine Learning Fundamentals |
| Język prowadzenia zajęć |
polski |
| Poziom studiów |
studia drugiego stopnia |
| Kierownik przedmiotu |
prof. dr hab. inż. Krzysztof Ślot |
| Realizatorzy przedmiotu |
mgr inż. Izabela Perenc-Puchalska, prof. dr hab. inż. Krzysztof Ślot |
| Formy zajęć i liczba godzin w semestrze |
|
Wykład |
Ćwiczenia |
Laboratorium |
Projekt |
Seminarium |
Inne |
Suma godzin w semestrze |
| Godziny kontaktowe |
15 |
|
15 |
|
|
0 |
30 |
| Czy e-learning |
Nie |
Nie |
Nie |
Nie |
Nie |
Nie |
|
| Kryteria oceny (waga) |
0,50 |
|
0,50 |
|
|
0,00 |
|
|
| Cel przedmiotu |
- Prezentacja podstaw i konteksu uczenia maszynowego
- Prezentacja scenariuszy i metodyki uczenia maszynowego
- Prezentacja przykładowych problemów dziedziny i sposobu ich rozwiązywania
|
| Efekty kształcenia |
- Rozumienie istoty uczenia maszynowego oraz metodyki postępowania stosowaną w tworzeniu samodzielnie uczących się systemów
- Znajomość podstawowych strategii uczenia maszynowego
- Umiejętność samodzielniego opracowania i wdrożenia w postaci programu prostego algorytmu uczenia maszynowego
|
| Metody weryfikacji efektów kształcenia |
Ocena wiedzy i ocena umiejętności praktycznego wdrożenia przedstawionych metod
|
| Wymagania wstępne |
Podstawy algebry liniowej, podstawowa umiejętność programowania w języku Python |
| Treści kształcenia z podziałem na formy |
WYKŁAD
Motywacja i inspiracje oraz obszary zastosowań uczenia maszynowego: rozpoznawanie (obiektów, czynności, treści), predykcja, generacja (sekwencji sterujących, obiektów obrazu itp.), przekształcanie sekwencji (tłumaczenie mowy) i inne.
Przegląd powiązanych zagadnień z zakresu algebry liniowej, rachunku prawdopodobieństwa i optymalizacji.
Metodyka uczenia maszynowego: dane (treningowe, walidacyjne, testowe) jako źródło wiedzy o problemie - reprezentacja danych w przestrzeni cech - rozwiązywanie zadania (klasyfikacja / regresja). Korekcja parametrów algorytmu analizy danych jako mechanizm uczenia.
Uwarunkowania i scenariusze procesu uczenia z przykładami budowy odpowiednich algorytmów: uczenie nadzorowane (np. rozpoznawanie obiektów), uczenie nienadzorowane (np. kategoryzacja tekstów) i uczenie ze wzmocnieniem (np. gry, sterowanie motoryką robota).
LABORATORIUM
Zbiory danych uczenia maszynowego.
Opracowanie i implementacja programowa prostego algorytmu uczenia maszynowego, realizującego wybraną strategię (uczenie nadzorowane lub nienadzorowane).
|
| Literatura podstawowa |
- The Elements of Statistical Learning, https://web.stanford.edu/~hastie/Papers/ESLII.pdf
- Gavin Hackeling, Mastering Machine Learning with sckit-learn, PACKT OpenSource
|
| Literatura uzupełniająca |
- Materiały on-line
|
| Przeciętne obciążenie godzinowe studenta pracą własną |
26 |
| Uwagi |
|
| Aktualizacja |
2020-10-05 23:32:14 |