Uniwersytet Mikołaja Kopernika w Toruniu - Centralny punkt logowania
Strona główna

Statystyczne uczenie maszynowe 2

Informacje ogólne

Kod przedmiotu: 7404-StaUczMasz
Kod Erasmus / ISCED: (brak danych) / (0542) Statystyka Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Statystyczne uczenie maszynowe 2
Jednostka: Szkoła Doktorska Nauk Ścisłych i Przyrodniczych
Grupy:
Punkty ECTS i inne: 3.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.
Język prowadzenia: polski
Wymagania wstępne:

Kurs ze ,,Statystycznego uczenia maszynowego''
Rodzaj przedmiotu:

przedmiot fakultatywny
Całkowity nakład pracy studenta:

Wykład – 30 godz.

Samodzielne studiowanie literatury – 20 godz.

Rozwiązywanie problemów praktycznych – 20 godz.

Przygotowanie do egzaminu – 20 godz.

Razem: 90 godz.
Efekty uczenia się - wiedza:

W1: zna zaawansowane problemy uczenia maszynowego

W2: zna algorytmy stosowane do rozwiązania zaawansowanych problemów uczenia maszynowego

Metody dydaktyczne podające:

- wykład informacyjny (konwencjonalny)
Skrócony opis:

Celem jest przedstawienie studentom zaawansowanych problemów uczenia maszynowego, a także sposobów ich rozwiązywania.

Zajecia będą odbywać się w czwartki o godz.14.15 w sali S3 na WMiI.
Pełny opis:

1. Wprowadzenie do uczenia maszynowego.

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

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

4. Analiza składowych głównych.

5. ,,Rzadka'' analiza składowych głównych.

6. Teoria procesów empirycznych.

7. Statystyczna analiza algorytmów.
Literatura:

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

2. J. Koronacki, J. Ćwik: „Statystyczne systemy uczące się”. 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

Zajęcia w cyklu "Semestr letni 2021/22" (zakończony)

Okres: 2022-02-21 - 2022-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Wykład, 30 godzin, 5 miejsc więcej informacji
Koordynatorzy: Wojciech Rejchel
Prowadzący grup: Wojciech Rejchel
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Wykład - Egzamin
Skrócony opis:

jak w części A
Pełny opis:

jak w części A
Literatura:

jak w części A
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Mikołaja Kopernika w Toruniu.
ul. Jurija Gagarina 11, 87-100 Toruń tel: +48 56 611-40-10 https://usosweb.umk.pl/ kontakt deklaracja dostępności USOSweb 7.0.3.0-1 (2024-04-02)