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. |
|---|---|---|
| Przygotowanie do zajęć | 10 | 40 |
| Analiza wskazanej literatury | 15 | 15 |
| Przygotowanie do egzaminu / zaliczenia | 25 | 25 |
| Przygotowanie pracy pisemnej, raportu, prezentacji, demonstracji, itp. | 10 | 10 |
| Przygotowanie projektu | 15 | 15 |
| SUMA | 75 | 105 |
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:
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, 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. |
|
|
|
| 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. |
|
|