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:
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 |
| 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:
Wykład 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. Laboratorium 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. Projekt 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: Kyle Gallatin, Chris Albon, Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu, Helion, 2024 Leszek Albrzykowski, Uczenie maszynowe. Elementy matematyki w analizie danych, Helion, 2023 I. Gupta, G. Nagpal, Artificial Intelligence and Expert Systems. Techniques and Applications for Problem Solving, Mercury Learning and Information, 2020 Marcin Szeliga, Praktyczne uczenie maszynowe, PWN, 2019 Stanisław Osowski, Robert Szmurło, Matematyczne modele uczenia maszynowego w językach MATLAB i PYTHON, Oficyna Wydawnicza Politechniki Warszawskiej, 2024.
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 |
|
|
|
| Ma zaawansowaną wiedzę z matematyki stosowanej obejmującą modelowanie matematyczne, metody numeryczne oraz metody symulacji używane do rozwiązywania problemów i zadań inżynierskich. Ma podstawową wiedzę z zakresu wybranej specjalności i potrafi stosować ją w obszarze studiowanego kierunku studiów |
|
|
|
| Posiada zaawansowaną wiedzę w zakresie wybranej specjalności |
|
|
|
| Potrafi wykorzystać wiedzę z zakresu techniki i zagadnień pozatechnicznych, ma umiejętność samokształcenia się, m.in. w celu podnoszenia kompetencji zawodowych |
|
|
|
| Potrafi wykorzystać i właściwie dobrać aplikacje do obliczeń inżynierskich, syntezy i analizy modeli systemów, zarówno cyfrowych jak i analogowych |
|
|
|
| Potrafi określić problem decyzyjny oraz oszacować przydatność metod i technik sztucznej inteligencji do jego rozwiązania, oraz zaprojektować i zaimplementować prosty system wspomagania decyzji |
|
|
|
| Ma świadomość potrzeby jasnego formułowania informacji związanych z osiągnięciami techniki dla wybranego kierunku studiów |
|
|