Drukuj Eksport do pliku (MS Word)
Nazwa przedmiotu:
Wstęp do uczenia maszynowego
Koordynator przedmiotu:
Prof. dr hab. inż. Jacek Mańdziuk, Dr inż. Anna Wróblewska
Status przedmiotu:
Obowiązkowy
Poziom kształcenia:
Studia II stopnia
Program:
Informatyka
Grupa przedmiotów:
Wspólne
Kod przedmiotu:
1120-INPAD-MSP-0113
Semestr nominalny:
1 / rok ak. 2017/2018
Liczba punktów ECTS:
5
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
.
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
.
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
.
Formy zajęć i ich wymiar w semestrze:
  • Wykład30h
  • Ćwiczenia0h
  • Laboratorium0h
  • Projekt45h
  • Lekcje komputerowe0h
Wymagania wstępne:
Podstawy statystyki i rachunku prawdopodobieństwa, Algorytmy i struktury danych
Limit liczby studentów:
.
Cel przedmiotu:
Celem przedmiotu jest zapoznanie słuchaczy z podstawowymi metodami uczenia maszynowego nadzorowanego i nienadzorowanego oraz nauczenie ich praktycznej umiejętności ich stosowania i oceny ich przydatności.
Treści kształcenia:
Wykład: Wstępne przetwarzanie danych: redukcja wymiaru danych, ekstrakcja cech: analiza składowych głównych, SVD, skalowanie wielowymiarowe, korelacja cech. Generalizacja. Dobre dopasowanie a przeuczenie, walidacja krzyżowa. Miary podobieństwa obiektów, segmentacja danych w oparciu o podobieństwo. Uczenie nienadzorowane: analiza skupień. Miary odległości, algorytmy optymalizacji funkcji kryterialnej (k-means, k-medoids), metody hierarchiczne. Problem klasyfikacji binarnej/wieloklasowej: podejście bayesowskie, empiryczne klasyfikatory bayesowskie (naiwna metod bayesowska, klasyfikator knn). Liniowe metody klasyfikacyjne: LDA, klasyfikator logistyczny, SVM (wersja liniowa). Drzewa jako klasyfikatory. Ekstrakcja reguł z drzew. Reguły asocjacyjne, systemy regułowe. Sieci neuronowe (MLP, samoorganizujące się), modele rozmyte (model TSK, model Mamdaniego) oraz systemy neuronowo-rozmyte (ANFIS, DENFIS) w zagadnieniach wnioskowania, klasyfikacji danych oraz analizy skupień. Metody inteligencji obliczeniowej (sieci neuronowe, metody ewolucyjne, zbiory przybliżone i metody rozmyte) w zagadnieniach predykcji szeregów finansowych oraz analizie i drążeniu danych biznesowych (case study). Laboratorium: Praktyczna, wieloaspektowa analiza rzeczywistych zbiorów danych obejmująca zagadnienia omawiane na wykładzie.
Metody oceny:
50% – ocena projektu (maks. 50 punktów), 50% – egzamin (maks. 50 punktów). Z projektu jest do zyskania maks. 50 punktów: uczestniczenie i aktywność w spotkaniach projektowych: 0-5 punktów; realizacja indywidualnych zadań w ramach projektu: 0-15 punktów; przedstawienie projektu i jego efekty: 0-20 punktów; terminowa realizacja kamieni milowych: 0-10 punktów. Próg zaliczenia wynosi 51 pkt, a rozkład progów kolejnych ocen to sekwencja 61, 71, 81 i 91 pkt.
Egzamin:
tak
Literatura:
1. P. Cichosz, Systemy uczące się, WNT 2007 2. Ch.M. Bishop, Pattern recognition and machine learning, Springer 2006 3. M. Flasiński, Wstęp do sztucznej inteligencji, PWN 2011
Witryna www przedmiotu:
.
Uwagi:
.

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Efekt W2_01
Zna podstawowe metody wstępnej obróbki danych, w tym metod redukcji wymiaru danych i ekstrakcji cech
Weryfikacja: egzamin, ocena projektu, aktywności na zajęciach
Powiązane efekty kierunkowe: PD_W08
Powiązane efekty obszarowe:
Efekt W2_02
Posiada wiedzę teoretyczną i praktyczną w zakresie podstawowych metod liniowej klasyfikacji oraz kombinatorycznych i hierarchicznych metod analizy skupień
Weryfikacja: egzamin, ocena projektu, aktywności na zajęciach
Powiązane efekty kierunkowe: PD_W01
Powiązane efekty obszarowe:
Efekt W2_03
Posiada wiedzę dotyczącą podstawowych metod indukcji drzew decyzyjnych oraz ekstrakcji reguł z drzew
Weryfikacja: egzamin, ocena projektu, aktywności na zajęciach
Powiązane efekty kierunkowe: PD_W01
Powiązane efekty obszarowe:
Efekt W2_04
Zna podstawowe metody inteligencji obliczeniowej oraz ich wykorzystanie w analizie danych biznesowych; zna podstawowe architektury sieci neuronowych oraz modeli neuronowo-rozmytych
Weryfikacja: egzamin, ocena projektu, aktywności na zajęciach
Powiązane efekty kierunkowe: PD_W10
Powiązane efekty obszarowe:

Profil ogólnoakademicki - umiejętności

Efekt U2_01
Umie wykonać analizę składowych głównych oraz metodę skalowania wielowymiarowego i zinterpretować uzyskane wyniki
Weryfikacja: egzamin, ocena projektu, aktywności na zajęciach
Powiązane efekty kierunkowe: PD_U19, PD_U23
Powiązane efekty obszarowe: ,
Efekt U2_02
Umie skonstruować klasyfikator liniowy i ocenić jego skuteczność w badanym zagadnieniu
Weryfikacja: egzamin, ocena projektu, aktywności na zajęciach
Powiązane efekty kierunkowe: PD_U05, PD_U13, PD_U14
Powiązane efekty obszarowe: , ,
Efekt U2_03
Umie zbudować klasyfikator w postaci drzewa decyzyjnego oraz ocenić jego praktyczną skuteczność
Weryfikacja: egzamin, ocena projektu, aktywności na zajęciach
Powiązane efekty kierunkowe: PD_U05, PD_U13, PD_U14
Powiązane efekty obszarowe: , ,
Efekt U2_04
Umie skonstruować sieci neuronowe różnych typów i ocenić ich przydatność dla rozwiązana konkretnego problemu praktycznego
Weryfikacja: egzamin, ocena projektu, aktywności na zajęciach
Powiązane efekty kierunkowe: SI_U15
Powiązane efekty obszarowe:

Profil ogólnoakademicki - kompetencje społeczne

Efekt K2_01
Umie współpracować w grupie projektowej, przyjmując w niej różne role
Weryfikacja: ocena projektu, aktywności na zajęciach
Powiązane efekty kierunkowe: PD_K04
Powiązane efekty obszarowe: