Sylabus przedmiotu
Podstawy uczenia maszynowego i AI
| Forma zajęć | Atrybuty formy | Godziny w semestrze | Godziny w tygodniu | Zaliczenie | Kompetencje | Waga | ||
|---|---|---|---|---|---|---|---|---|
| stacjonarne | niestacjonarne | stacjonarne | niestacjonarne | |||||
| Wykład zdalnie | Forma mieszana, Kontakt bezpośredni: 100% | 15 | 9 | 1 | 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. |
|---|---|---|
| Przygotowanie do zajęć | 15 | 25 |
| Analiza wskazanej literatury | 15 | 24 |
| Przygotowanie do egzaminu / zaliczenia | 15 | 20 |
| Przygotowanie projektu | 20 | 20 |
| SUMA | 65 | 89 |
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:
brak
Zakres tematyczny
| Rodzaj zajęć | Opis | Godz. stac. | Godz. niestac. |
|---|---|---|---|
| Wykład | Wprowadzenie do uczenia maszynowego: ogólny schemat uczenia maszynowego, historia uczenia maszynowego, zastosowania uczenia maszynowego. | 2 | 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 | 2 | 1 |
| Wykład | Metody i algorytmy uczenia maszynowego: zbiory danych i ich właściwości, kategoryzacja metod uczenia maszynowego, uczenie nadzorowane - regresja i klasyfikacja | 2 | 1 |
| Wykład | Głębokie sztuczne sieci neuronowe, struktura neuronu, algorytmy uczenia | 2 | 1 |
| Wykład | Sieci neuronowe konwolucyjne (CNN) i rekurencyjne (RNN) | 2 | 1 |
| Wykład | Zastosowanie uczenia maszynowego: klasyfikacja obrazów, przetwarzanie sygnałów, ekstrakcja cech, wizja maszynowa w robotyce, śledzenie trajektorii przez robota. | 2 | 2 |
| Laboratorium | Wprowadzenie do bibliotek uczenia maszynowego środowiska Python | 4 | 2 |
| Laboratorium | Niezbędnych elementów statystyki, optymalizacji i programowania dla potrzeb uczenia maszynowego. | 4 | 2 |
| Laboratorium | Modele i kryteria ich wyboru: kryteria oceny błędów modelowania. | 4 | 2 |
| Laboratorium | Metody i algorytmy uczenia maszynowego: zbiory danych i ich właściwości, uczenie nadzorowane - regresja i klasyfikacja. | 4 | 2 |
| Laboratorium | Głębokie sztuczne sieci neuronowe, struktura neuronu, algorytmy uczenia. | 4 | 2 |
| Laboratorium | Sieci neuronowe konwolucyjne (CNN) i rekurencyjne (RNN) | 4 | 2 |
| Laboratorium | Wybrane zastosowania uczenia maszynowego: klasyfikacja obrazów, przetwarzanie sygnałów, ekstrakcja cech, wizja maszynowa w robotyce, śledzenie trajektorii przez robota. | 6 | 6 |
| 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:
bardzo dobry 5.0 student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce w stopniu bardzo dobrym dobry plus 4.5 student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce w stopniu ponad dobrym dobry 4.0 student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce w stopniu dobrym dostateczny plus 3.5 student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce w stopniu dość dobrym dostateczny 3.0 student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce w stopniu dostatecznym zaliczone zal student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce niezaliczone nzal student/ka nie zna, nie rozumie i nie wyjaśnia zakładanych efektów uczenia się i nie potrafi ich zastosować w praktyce
Literatura podstawowa: "Kyle Gallatin, Chris Albon",Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wydanie II,2024,978-83-289-0812-3,helion,,,book,Helion,,,,,,, Leszek Albrzykowski,Uczenie maszynowe. Elementy matematyki w analizie danych,2023,978-83-289-0079-0,helion,,,book,Helion,,,,,,, Gupta G.; Nagpal I.,Artificial Intelligence and Expert Systems. Techniques and Applications for Problem Solving,2024,,manual,,,book,,,,,,,, Szeliga M.,Praktyczne uczenie maszynowe,2020,,manual,,,book,PWN,,,,,,, Osowski S.l Szmurło R.,Matematyczne modele uczenia maszynowego w językach MATLAB i PYTHON,2024,,manual,,,book,Oficyna Wydawnicza Politechniki Warszawskiej,,,,,,,
Literatura uzupełniająca:
| Symbole | Opis efektu | Metoda weryfikacji | Forma zajęć |
|---|---|---|---|
| Potrafi opisać wybrane paradygmaty, metody i algorytmy uczenia maszynowego i sztucznej inteligencji |
|
|
|
| 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 zastosować metody sztucznej inteligencji do wybranych zadań AiR |
|
|
|
| Potrafi ocenić przydatność różnych paradygmatów, metod uczenia maszynowego oraz związanych z nimi środowisk programistycznych do rozwiązywania problemów praktycznych. |
|
|
|
| Ma świadomość rozwoju metod sztucznej inteligencji |
|
|