Sylabus przedmiotu
Podstawy uczenia maszynowego
| Forma zajęć | Atrybuty formy | Godziny w semestrze | Godziny w tygodniu | Zaliczenie | Kompetencje | Waga | ||
|---|---|---|---|---|---|---|---|---|
| stacjonarne | niestacjonarne | stacjonarne | niestacjonarne | |||||
| Wykład | Forma mieszana, Kontakt bezpośredni: 100% | 30 | 18 | 2 | 1 | Egzamin |
|
(33%)1 przez 3 |
| Laboratorium | Kontakt bezpośredni: 100% | 30 | 18 | 2 | 1 | Zaliczenie na ocenę |
|
(33%)1 przez 3 |
| Projekt | Kontakt bezpośredni: 100% | 15 | 9 | 1 | 1 | Zaliczenie na ocenę |
|
(33%)1 przez 3 |
| Forma aktywności | Liczba godzin - stac. | Liczba godzin - niestac. |
|---|---|---|
| Analiza wskazanej literatury | 15 | 15 |
| Przygotowanie do egzaminu / zaliczenia | 25 | 25 |
| Przygotowanie pracy pisemnej, raportu, prezentacji, demonstracji, itp. | 10 | 10 |
| Przygotowanie projektu | 15 | 15 |
| Praca własna | 1 | 10 |
| SUMA | 66 | 75 |
Cele przedmiotu:
Celem przedmiotu jest przekazanie kluczowej wiedzy i ukształtowanie umiejętności odnośnie zastosowania technik uczenia maszynowego z zastosowaniem nowoczesnych modeli i algorytmów ich uczenia.
Wymagania wstępne:
Strategie programowania III
Zakres tematyczny
| Rodzaj zajęć | Opis | Godz. stac. | Godz. niestac. |
|---|---|---|---|
| Wykład | Wprowadzenie do uczenia maszynowego: ogólny schemat uczenia maszynowego, historia uczenia maszynowego, zastosowania uczenia maszynowego. | 3 | 1 |
| Wykład | Przedstawienie niezbędnych elementów statystyki, optymalizacji i programowania dla potrzeb uczenia maszynowego. | 3 | 2 |
| Wykład | Modele i kryteria ich wyboru: kryteria oceny błędów modelowania, przeuczenie i niedouczenie modelu. | 3 | 2 |
| Wykład | Metody i algorytmy uczenia maszynowego: zbiory danych i ich właściwości, kategoryzacja metod uczenia maszynowego, uczenie nadzorowane - regresja i klasyfikacja. | 3 | 2 |
| Wykład | Głębokie sztuczne sieci neuronowe, struktura neuronu, algorytmy uczenia. | 3 | 2 |
| Wykład | Sieci neuronowe konwolucyjne (CNN) i rekurencyjne (RNN) | 3 | 2 |
| Wykład | Generatywne sieci przeciwstawne (GAN) | 3 | 2 |
| Wykład | Modelowanie szeregów czasowych | 3 | 1 |
| Wykład | Uczenie nienadzorowane: klasyfikacja i redukcja wymiarowości | 3 | 2 |
| Wykład | Zastosowanie uczenia maszynowego: klasyfikacja obrazów, przetwarzanie sygnałów, ekstrakcja cech, wizja maszynowa w robotyce, śledzenie trajektorii przez robota. | 3 | 2 |
| Laboratorium | Wprowadzenie do bibliotek uczenia maszynowego środowiska Python | 3 | 1 |
| Laboratorium | Niezbędnych elementów statystyki, optymalizacji i programowania dla potrzeb uczenia maszynowego. | 3 | 2 |
| Laboratorium | Modele i kryteria ich wyboru: kryteria oceny błędów modelowania. | 3 | 2 |
| Laboratorium | Metody i algorytmy uczenia maszynowego: zbiory danych i ich właściwości, uczenie nadzorowane - regresja i klasyfikacja. | 3 | 2 |
| Laboratorium | Głębokie sztuczne sieci neuronowe, struktura neuronu, algorytmy uczenia. | 3 | 2 |
| Laboratorium | Sieci neuronowe konwolucyjne (CNN) i rekurencyjne (RNN) | 3 | 2 |
| Laboratorium | Generatywne sieci przeciwstawne (GAN) | 3 | 2 |
| Laboratorium | Modelowanie szeregów czasowych | 3 | 1 |
| Laboratorium | Uczenie nienadzorowane: klasyfikacja i redukcja wymiarowości | 3 | 2 |
| Laboratorium | Wybrane zastosowania uczenia maszynowego: klasyfikacja obrazów, przetwarzanie sygnałów, ekstrakcja cech, wizja maszynowa w robotyce, śledzenie trajektorii przez robota. | 3 | 2 |
| Projekt | Zdefiniowanie zadania projektowego z zastosowaniem uczenia maszynowego | 1 | 1 |
| Projekt | Zbudowanie struktury aplikacji z zastosowaniem wybranych bibliotek uczenia maszynowego | 2 | 1 |
| Projekt | Implementacja zaprojektowanego rozwiązania | 8 | 5 |
| Projekt | Testy i poprawki oraz przygotowanie wersji finalnej projektu | 2 | 1 |
| Projekt | Przygotowanie i dokumentacja wyników działania zadania projektowego | 2 | 1 |
Metody dydaktyczne
| Opis |
|---|
| Wykład problemowy |
| Wykład konwencjonalny |
| Metoda przypadków |
| Dyskusja |
| Demonstracja |
| Ćwiczenia laboratoryjne |
| Zajęcia projektowe |
| Praca w środowisku wirtualnym |
Warunki zaliczenia:
Ocena końcowa z przedmiotu stanowi średnią arytmetyczną wszystkich form zajęć. Każda z form zajęć musi być oceniona pozytywnie. Szczegółowe informacje zostaną przekazane na pierwszych zajęciach podczas prezentacji sylabusa.
Literatura podstawowa:
Literatura uzupełniająca:
| Symbole | Opis efektu | Metoda weryfikacji | Forma zajęć |
|---|---|---|---|
| Potrafi opisać wybrane paradygmaty, metody i algorytmy uczenia maszynowego. |
|
|
|
| Potrafi scharakteryzować podstawowe techniki uczenia maszynowego wykorzystywane podczas analizy danych i przetwarzania sygnałów. |
|
|
|
| Potrafi wykorzystać modele i algorytmy uczenia maszynowego w budowie systemów informatycznych i podczas tworzenia oprogramowania. |
|
|
|
| Potrafi ocenić przydatność różnych paradygmatów, metod uczenia maszynowego oraz związanych z nimi środowisk programistycznych do rozwiązywania problemów praktycznych. |
|
|