Uniwersytet Mikołaja Kopernika w Toruniu - Centralny punkt logowaniaNie jesteś zalogowany | zaloguj się
katalog przedmiotów - pomoc

Uczenie maszynowe

Informacje ogólne

Kod przedmiotu: 1000-MS1-UMasz Kod Erasmus / ISCED: (brak danych) / (0541) Matematyka
Nazwa przedmiotu: Uczenie maszynowe
Jednostka: Wydział Matematyki i Informatyki
Grupy:
Punkty ECTS i inne: 6.00
Język prowadzenia: polski
Wymagania wstępne:

Zaliczenie przedmiotów „Narzędzia eksploracji danych”, „Statystyka matematyczna”, ,,Eksploracja danych"

Rodzaj przedmiotu:

przedmiot obowiązkowy

Całkowity nakład pracy studenta:

Wykład – 30 godz.

Laboratorium – 30 godz.

Samodzielne studiowanie tematyki zajęć – 35 godz.

Rozwiązywanie zadań domowych – 25 godz.

Przygotowanie do egzaminu – 30 godz.

Razem: 150 godz. - 6 punktów ECTS


Efekty uczenia się - wiedza:

W1: zna najważniejsze problemy uczenia maszynowego - K_W01, K_W03, K_W06,

W2: zna przynajmniej jeden algorytm stosowany do rozwiązania najważniejszych problemów uczenia maszynowego - K_W03, K_W04, K_W06, K_W07.


Efekty uczenia się - umiejętności:

U1: potrafi rozwiązywać najważniejsze problemy uczenia maszynowego, używając dostępnych algorytmów – K_U01, K_U02, K_U03,

U2: umie znaleźć i analizować zbiory danych adekwatne do określonego problemu uczenia maszynowego - K_U19, K_U21,

U3: potrafi zinterpretować, ocenić i przedstawić wyniki analiz - K_U04, K_U05, K_U06, K_U16, K_U19.


Efekty uczenia się - kompetencje społeczne:

K1: potrafi w sposób zrozumiały (dla matematyków i niematematyków) formułować problemy uczenia maszynowego i metody ich rozwiązania – K_K03,

K2: rozumie i docenia znaczenie uczenia maszynowego w analizie danych K_K05,



Metody dydaktyczne podające:

- wykład informacyjny (konwencjonalny)

Metody dydaktyczne poszukujące:

- laboratoryjna

Skrócony opis:

Celem jest wprowedzanie studentów w tematykę i metodologię uczenia maszynowego oraz rozwiązywanie praktycznych problemów przy pomocy poznanych narzędzi.

Pełny opis:

1. Wprowadzenie do uczenia maszynowego.

2. Podstawowe algorytmy klasyfikacyjne: naiwny klasyfikator bayesowski,

metoda „k - najbliższych sąsiadów”.

3. Maszyny wektorów podpierających.

4. Metody łączenia klasyfikatorów: „bagging” i „boosting”.

5. M-estymatory z karą.

6. Algorytmy genetyczne.

7. Modele graficzne: pola losowe Markowa, sieci bayesowskie.

8. Algorytm EM („Expectation-Maximization”).

9. Analiza składowych głównych.

10. Statystyczna analiza algorytmów.

Literatura:

1. L. Devroye, L. Gy¨orfi, G. Lugosi: „A probabilistic theory of pattern recognition”, Springer, 1996.

2. J. Koronacki, J. Cwik: „Statystyczne systemy uczace sie”. Wydaw. Naukowo-Techniczne, Warszawa, 2006.

3. T. Hastie, R. Tibshirani, J. Friedman: „The Elements of Statistical Learning”, Springer, 2009.

4. S. Shalev-Shwartz, S. Ben-David: „Understanding Machine Learning: From Theory to Algorithms”, Cambridge University Press, 2014.

Metody i kryteria oceniania:

Egzamin pisemny – W1, W2, K1, K2,

Zaliczenie laboratorium na podstawie sprawdzianów – W1, W2, U1, U2, U3, K1, K2.

Praktyki zawodowe:

Brak

Zajęcia w cyklu "Semestr zimowy 2020/21" (zakończony)

Okres: 2020-10-01 - 2021-02-21
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Laboratorium, 30 godzin, 16 miejsc więcej informacji
Wykład, 30 godzin, 60 miejsc więcej informacji
Koordynatorzy: Wojciech Rejchel
Prowadzący grup: Agnieszka Goroncy, Wojciech Rejchel
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Zaliczenie na ocenę
Wykład - Egzamin
Skrócony opis:

Jak w części A

Pełny opis:

Jak w części A

Literatura:

Jak w części A

Uwagi:

Wykład oraz ćwiczenia będą odbywać się zdalnie, z wykorzystaniem platform Moodle oraz MS Teams.

Egzamin/zaliczenia odbędą się tradycyjnie lub zdalnie, w zależności od sytuacji epidemicznej.

Zajęcia w cyklu "Semestr zimowy 2021/22" (jeszcze nie rozpoczęty)

Okres: 2021-10-01 - 2022-02-20
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Laboratorium, 30 godzin, 16 miejsc więcej informacji
Wykład, 30 godzin, 60 miejsc więcej informacji
Koordynatorzy: Wojciech Rejchel
Prowadzący grup: Agnieszka Goroncy, Wojciech Rejchel
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Zaliczenie na ocenę
Wykład - Egzamin
Skrócony opis:

Jak w części A

Pełny opis:

Jak w części A

Literatura:

Jak w części A

Uwagi:

Wykład oraz ćwiczenia będą odbywać się zdalnie, z wykorzystaniem platform Moodle oraz MS Teams.

Egzamin/zaliczenia odbędą się tradycyjnie lub zdalnie, w zależności od sytuacji epidemicznej.

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Mikołaja Kopernika w Toruniu.