Drukuj Eksport do pliku (MS Word)
Nazwa przedmiotu:
Zaawansowane metody uczenia maszynowego
Koordynator przedmiotu:
Prof. dr hab. Jan Mielniczuk
Status przedmiotu:
Obowiązkowy
Poziom kształcenia:
Studia II stopnia
Program:
Informatyka
Grupa przedmiotów:
Wspólne
Kod przedmiotu:
1120-INPAD-MSP-XXXX
Semestr nominalny:
2 / 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:
  • Wykład0h
  • Ćwiczenia0h
  • Laboratorium30h
  • Projekt15h
  • Lekcje komputerowe0h
Wymagania wstępne:
Wstęp do uczenia maszynowego, Statystyka obliczeniowa
Limit liczby studentów:
.
Cel przedmiotu:
Celem przedmiotu jest zapoznanie słuchaczy z zaawansowanymi metodami uczenia maszynowego oraz nauczenie ich aktywnej umiejętności modelowania i analizy danych regresyjnych przy użyciu szeregu nowoczesnych metod statystycznych i data miningowych, w szczególności metod modelowania krzywych regresji, metod klasyfikacji i analizy szeregów czasowych.
Treści kształcenia:
Wykład: Regresja liniowa: metoda MNK, diagnostyka dopasowania i podstawowe testy. Regresja liniowa: podstawowe odstępstwa od modelu i metody jego adaptacji. Metoda Lasso, regresja grzbietowa, metody odporne. Metody selekcji predyktorów w modelu, filtry, wrappery, kryteria informacyjne, metody zachłanne. Regresja nieliniowa: nieliniowe metody parametryczne, metody nieparametryczne: lokalnie liniowa, spline’y, metoda dopasowania wstecznego w modelu addytywnym. Nieliniowe metody klasyfikacyjne: nieliniowe empiryczne reguły bayesowskie, estymatory gęstości. Nieliniowe metody klasyfikacyjne: QDA, drzewa klasyfikacyjne CART, metoda jądrowa SVM. Drzewa regresyjne CART, metoda MARS. Komitety klasyfikatorów (bagging, boosting, lasy losowe). Metody rangowania (rank classification): algorytm Pagerank, HTS. Modelowanie z użyciem dużych zbiorów danych: metoda stochastycznego spadku gradientu. Praktyczna budowa systemu uczącego się (case study), metody Multisplit i RSM. Szeregi czasowe: charakterystyki procesów stacjonarnych, problem prognozy, metoda Yule’a-Walkera, algorytm innowacyjny. Procesy liniowe: modelowanie procesami ARMA(p,q). Modelowanie i prognoza dla procesów niestacjonarnych. Laboratorium: Analiza i modelowanie zbiorów danych wykorzystująca metody regresyjne, klasyfikacyjne, analizy skupień i prognozy szeregów czasowych. Projekt: Praktyczna wieloaspektowa analiza zbioru danych i konstrukcja systemu automatycznego modelowania spełniającego określone kryteria (zadana precyzja, kryterium LIFT na zbiorze testowym, zadany błąd średniokwadratowy prognozy).
Metody oceny:
Projekt maks. 50 p., egzamin maks. 50 p., łącznie maks. 100 p. Na zaliczenie konieczne jest uzyskanie łącznie ponad 50 p. na 100 p. możliwych. Ostateczna ocena z przedmiotu wynika z sumy zdobytych punktów: [0, 50] – 2,0; (50, 60] – 3,0; (60, 70] – 3,5; (70, 80] – 4,0; (80, 90] – 4,5; (90, 100] – 5,0.
Egzamin:
tak
Literatura:
1. T. Hastie, R. Tibshirani, J.H. Friedman, The elements of statistical learning, wydanie drugie, Springer 2009 2. Ch.M. Bishop, Pattern recognition and machine learning, Springer 2006 3. J. Koronacki, J. Ćwik, Statystyczne systemy uczące się, WNT 2005
Witryna www przedmiotu:
e.mini.pw.edu.pl
Uwagi:
.

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Efekt W2_01
Zna metody dopasowania modelu liniowego przy użyciu metody najmniejszych kwadratów, estymatora Lasso i estymatora ridge, zna podstawowe przyczyny odstępstw od modelu i środki zaradcze; zna metody selekcji predyktorów, również dla sytuacji wysokowymiarowej
Weryfikacja: egzamin, ocena projektu
Powiązane efekty kierunkowe: PD_W01, PD_W08, PD_W10, PD_W11, PD_W13
Powiązane efekty obszarowe: , , , ,
Efekt W2_02
Zna podstawowe metody nieliniowe klasyfikacji i wie, kiedy mogą być użyteczne; wie jak oceniać jakość klasyfikatora
Weryfikacja: egzamin, ocena projektu
Powiązane efekty kierunkowe: PD_W01, PD_W08, PD_W10, PD_W11, PD_W13
Powiązane efekty obszarowe: , , , ,
Efekt W2_03
Wie jak stosować komitety klasyfikatorów i dobierać ich parametry, i jak je wykorzystać do uporządkowania predyktorów
Weryfikacja: egzamin, ocena projektu
Powiązane efekty kierunkowe: PD_W01, PD_W08, PD_W10, PD_W11, PD_W13
Powiązane efekty obszarowe: , , , ,
Efekt W2_04
Zna podstawowe charakterystyki procesów stacjonarnych, zna metody identyfikacji komponent periodycznej i trendu procesu, zna podstawowe procesy liniowe (ARMA) i nieliniowe (GARCH)
Weryfikacja: egzamin, ocena projektu
Powiązane efekty kierunkowe: PD_W01, PD_W08, PD_W10, PD_W11, PD_W13
Powiązane efekty obszarowe: , , , ,

Profil ogólnoakademicki - umiejętności

Efekt U2_01
Umie ocenić dopasowanie modelu liniowego, zidentyfikować ewentualne odstępstwa od modelu i zaadaptować model
Weryfikacja: egzamin, ocena projektu
Powiązane efekty kierunkowe: PD_U05, PD_U06, PD_U13, PD_U14, PD_U15, PD_U16, PD_U23
Powiązane efekty obszarowe: , , , , , ,
Efekt U2_02
Umie skonstruować klasyfikator nieliniowy i ocenić jego jakość
Weryfikacja: egzamin, ocena projektu
Powiązane efekty kierunkowe: PD_U05, PD_U06, PD_U13, PD_U14, PD_U15, PD_U16, PD_U23
Powiązane efekty obszarowe: , , , , , ,
Efekt U2_03
Umie skonstruować nieliniowy estymator regresji i ocenić jego jakość
Weryfikacja: egzamin, ocena projektu
Powiązane efekty kierunkowe: PD_U05, PD_U06, PD_U13, PD_U14, PD_U15, PD_U16, PD_U23
Powiązane efekty obszarowe: , , , , , ,
Efekt U2_04
Umie skonstruować prognozę na podstawie podstawowych modeli liniowych i nieliniowych szeregów czasowych
Weryfikacja: egzamin, ocena projektu
Powiązane efekty kierunkowe: PD_U05, PD_U06, PD_U13, PD_U14, PD_U15, PD_U16, PD_U23
Powiązane efekty obszarowe: , , , , , ,

Profil ogólnoakademicki - kompetencje społeczne

Efekt K2_01
Rozumie społeczne aspekty podejmowanych działań data miningowych, w szczególności związane z popełnionymi błędami fałszywego sygnału i braku jego detekcji
Weryfikacja: ocena projektu
Powiązane efekty kierunkowe: PD_K01, PD_K02
Powiązane efekty obszarowe: ,