Drukuj Eksport do pliku (MS Word)
Nazwa przedmiotu:
Statystyka i maszynowe uczenie
Koordynator przedmiotu:
dr hab. idr hab. inż. Maciej Kozłowski, Zakład Systemów Informatycznych i Mechatronicznych w Transporcie
Status przedmiotu:
Fakultatywny ograniczonego wyboru
Poziom kształcenia:
Studia I stopnia
Program:
Transport
Grupa przedmiotów:
Obieralne
Kod przedmiotu:
Semestr nominalny:
6 / rok ak. 2022/2023
Liczba punktów ECTS:
2
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
60 godz,, w tym: praca na zajęciach 30 godz., studiowanie literatury przedmiotu około 15 godz., konsultacje 3 godz., przygotowanie się do zaliczenia około 12 godz.
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
1,5 pkt. ECTS (33 godz., w tym: praca na zajęciach 30 godz., konsultacje 3 godz.).
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
0
Formy zajęć i ich wymiar w semestrze:
  • Wykład30h
  • Ćwiczenia0h
  • Laboratorium0h
  • Projekt0h
  • Lekcje komputerowe0h
Wymagania wstępne:
Zaliczony przedmiot Probabilistyka
Limit liczby studentów:
Wykład: 100 osób.
Cel przedmiotu:
przedstawienie podstawowych narzędzi statystyki i uczenia maszynowego stosowanych w eksploracji danych
Treści kształcenia:
1. Wprowadzenie do uczenia maszynowego. 2. Metoda najmniejszych kwadratów, Analiza składowych głównych, Analiza czynnikowa PCA 3. M-estymatory: regresja liniowa i logistyczna. 4. M-estymatory z karą: regresja grzbietowa i LASSO. 5. Podstawowe algorytmy klasyfikacyjne: naiwny klasyfikator bayesowski, analiza skupień, metoda „k - najbliższych sąsiadów” i hierarchiczna 6. Maszyny wektorów nośnych. 7. Metody łączenia klasyfikatorów: „bagging” i „boosting”. 8. Przykłady zastosowań w Transporcie i Logistyce
Metody oceny:
Sprawdzian pisemny zawierający łącznie 4 pytania otwarte. Odpowiedzi oceniane w skali 0-5 punktów. Wymagane zaliczenie każdego pytania na liczbę co najmniej 2 punktów. Ocena końcowa na podstawie sumy zgromadzonych punktów: 0-10 2; 11-12 3; 13-14 3,5; 15-16 4; 17-18 4,5; 19-20 5. Sprawdzian poprawkowy: 4 pytania otwarte po 5 punktów. Skala: 0-12 2; 13-20 3 (najwyżej ocena dostateczna). W indywidualnych przypadkach dopuszcza się zaliczenie przedmiotu na podstawie wykonanych ćwiczeń projektowych komputerowych w jednym ze środowisk programistycznych: Matlab, R lub Python.
Egzamin:
nie
Literatura:
1. L. Devroye, L. Gyorfi, G. Lugosi: „A probabilistic theory of pattern recognition”, Springer, 1996. 2. J. Koronacki, J. Ćwik: „Statystyczne systemy uczące się”. Wydaw. Naukowo-Techniczne, Warszawa, 2006. 3. T. Hastie, R. Tibshirani, J. Friedman: „The Elements of Statistical Learning”, Springer, 2009. 4. S. Shalev-Shwartz, S. BenDavid: „Understanding Machine Learning: From Theory to Algorithms”, Cambridge University Press, 2014. 5. Ian Goodfellow, Yoshua Bengio, Aaraon Couville, Deep Learning, Systemy uczące się, PWN 2018, 6. Szeliga Marcin, Data Science I uczenie maszynowe, PWN 2018 • Wybrane źródła internetowe: • Maszynowe uczenie, wykłady i ćwiczenia, Uniwersytet Warszawski – Kapitał Ludzki: https://brain.fuw.edu.pl/edu/index.php/Uczenie_maszynowe_i_sztuczne_sieci_neuronowe • Internetowy podręcznik statystyki • https://www.statsoft.pl/textbook/stathome_stat.html?https%3A%2F%2Fwww.statsoft.pl%2Ftextbook%2Fstnonlin.ht ml • UFLDL Tutorial: http://deeplearning.stanford. edu/wiki/index.php/UFLDL_Tutorial • Deep Learning Tutorial: http://ufldl.stanford.edu/tutorial/ 1) Uczenie maszynowe i głębokie w rozpoznawaniu obrazów, 2) Uczenie maszynowe w Matlabie Nagrane webinaria do pobrania, (3) Wprowadzenie do statistics toolbox, (4) Dopasowanie krzywych w Matlab. Oprogramowanie Naukowo Techniczne, Kraków: http://www.ont.com.pl/do-pobrania/nagranewebinaria/, Matlab: Statistics and Machine Learning Toolbox Examples
Witryna www przedmiotu:
www.wt.pw.edu.pl
Uwagi:
Przedmiot z uchwalonej przez Radę Wydziału Transportu na rok akademicki 2024/2025 oferty przedmiotów obieralnych dla grupy przedmiotów „Przedmiot obieralny II”. O ile nie powoduje to zmian w zakresie powiązań danego przedmiotu z efektami uczenia się określonymi dla programu studiów w treściach kształcenia mogą być wprowadzane na bieżąco zmiany związane z uwzględnieniem najnowszych osiągnięć naukowych.

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Charakterystyka W01
Zna podstawowe problemy statystyki i uczenia maszynowego.
Weryfikacja: Aktywność na zajęciach, Zadanie z efektu podczas kolokwium (zadanie oceniane w skali od 0 do 5 punktów, wymagane jest uzyskanie co najmniej 2 punktów lub wykorzystanie wiedzy ocenianego efektu w wykonywanym zadaniu projektowym.
Powiązane charakterystyki kierunkowe: Tr1A_W01, Tr1A_W09
Powiązane charakterystyki obszarowe: P6U_W, I.P6S_WG.o
Charakterystyka W02
Zna podstawowe algorytmy stosowane do rozwiązania problemów statystyki i uczenia maszynowego.
Weryfikacja: Aktywność na zajęciach, Zadanie z efektu podczas kolokwium (zadanie oceniane w skali od 0 do 5 punktów, wymagane jest uzyskanie co najmniej 2 punktów lub wykorzystanie wiedzy ocenianego efektu w wykonywanym zadaniu projektowym.
Powiązane charakterystyki kierunkowe: Tr1A_W01, Tr1A_W12
Powiązane charakterystyki obszarowe: P6U_W, I.P6S_WG.o

Profil ogólnoakademicki - umiejętności

Charakterystyka U01
Potrafi rozwiązywać podstawowe problemy statystyki i uczenia maszynowego, używając dostępnych algorytmów.
Weryfikacja: Aktywność na zajęciach, Zadanie z efektu podczas kolokwium (zadanie oceniane w skali od 0 do 5 punktów, wymagane jest uzyskanie co najmniej 2 punktów lub wykorzystanie wiedzy ocenianego efektu w wykonywanym zadaniu projektowym.
Powiązane charakterystyki kierunkowe: Tr1A_U11
Powiązane charakterystyki obszarowe: P6U_U, I.P6S_UW.o, III.P6S_UW.o
Charakterystyka U02
Potrafi zinterpretować, ocenić i przedstawić wyniki analiz.
Weryfikacja: Aktywność na zajęciach, Zadanie z efektu podczas kolokwium (zadanie oceniane w skali od 0 do 5 punktów, wymagane jest uzyskanie co najmniej 2 punktów lub wykorzystanie wiedzy ocenianego efektu w wykonywanym zadaniu.
Powiązane charakterystyki kierunkowe: Tr1A_U09
Powiązane charakterystyki obszarowe: P6U_U, I.P6S_UW.o, III.P6S_UW.o

Profil ogólnoakademicki - kompetencje społeczne

Charakterystyka K01
Jest gotów do identyfikacji oraz rozstrzygnięcia problemów związanych z zastosowaniem metod statystyki i maszynowego uczenia w transporcie z uwzględnieniem zmieniających się potrzeb społecznych.
Weryfikacja: Ocena aktywności podczas zajęć.
Powiązane charakterystyki kierunkowe: Tr1A_K03
Powiązane charakterystyki obszarowe: P6U_K, I.P6S_KR