Uniwersytet Mikołaja Kopernika w Toruniu - Centralny punkt logowania
Strona główna

Uczenie maszynowe, algorytmy i systemy datamining

Informacje ogólne

Kod przedmiotu: 0800-UMASZ
Kod Erasmus / ISCED: (brak danych) / (0618) Interdyscyplinarne programy i kwalifikacje związane z technologiami informacyjno-komunikacyjnymi Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Uczenie maszynowe, algorytmy i systemy datamining
Jednostka: Wydział Fizyki, Astronomii i Informatyki Stosowanej
Grupy: Informatyka Stosowana s2. Przedmioty do wyboru specjalistyczne (wszystkie)
Punkty ECTS i inne: 5.00 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:

Analiza matematyczna, Algebra. Algorytmy i struktury danych. Języki programowania. Programowanie obiektowe.



Rodzaj przedmiotu:

przedmiot fakultatywny

Całkowity nakład pracy studenta:

30 h - wykład

30 h - laboratorium

90 h - praca indywidualna

Razem: 150 h (5ECTS)

Efekty uczenia się - wiedza:

Rozumie typy problemów uczenia maszynowego i data mining.

Poznaje metody analizy poprawności tworzenia modeli.

Wiedza z zakresu metod dyskryminacji liniowej i nieliniowej.

Wiedza z zakresu metod regresji liniowej i nieliniowej.

Wiedza z zakresów systemów data mining.

Wiedza z zakresu metod klasteryzacji, selekcji prototypów i cech.

Rozumie zagrożenia stosowanie błędnych rozwiązań uczenia maszynowego.


K 1, 2, 3, 5, 6, 7


Efekty uczenia się - umiejętności:

Umie zrozumieć zadanie jako problem uczenia maszynowego.

Rozróżnia typy problemów uczenia maszynowego.

Umie posłużyć się podstawowymi modelami dyskryminacji i regresji, liniowej i nieliniowej.

Umiejętność posługiwania sie klasyfikatorami i klasteryzacją.

Rozumie zagrożenia złego użycia metod.

Potrafi posłużyć się systemem data mining.

Potrafi pogłębić wiedzę na podstawie zewnętrznej wiedzy naukowej.

Potrafi zweryfikować hipotezy uczenia maszynowego.

Umie używać miar błędów związanych z testowaniem procesu uczenia maszynowego.


U 1, 2, 3, 4, 5, 8, 11


Efekty uczenia się - kompetencje społeczne:

Potrafi wykorzystać wiedzę i umiejętności z zakresu tematycznego przedmiotu w zastosowaniu do problemów społeczeństwa.

Rozumie konsekwencje etyczne działania systemów uczenia maszynowego.

Umie ocenić jakość zbudowanych rozwiązań uczenia maszynowego

K 1, 2, 3


Metody dydaktyczne:

Wykład: prezentacja materiału i problemów, dyskusja

Ćwiczenia: omawianie zagadnień i ich analiza, wspólne i indywidualne rozwiązywanie zadań. Analiza przypadków. Częściowo praca grupowa.

Laboratoria: Nacisk na indywidualne i grupowe rozwiązywanie problemów + pomoc eksperta. Dyskusja nad przykładami rozwiązań.

Metody dydaktyczne eksponujące:

- pokaz
- symulacyjna (gier symulacyjnych)

Metody dydaktyczne podające:

- wykład problemowy

Metody dydaktyczne poszukujące:

- ćwiczeniowa
- doświadczeń
- giełda pomysłów
- klasyczna metoda problemowa
- laboratoryjna
- obserwacji
- projektu
- punktowana
- referatu
- seminaryjna
- studium przypadku
- sytuacyjna

Metody dydaktyczne w kształceniu online:

- metody ewaluacyjne
- metody integracyjne
- metody odnoszące się do autentycznych lub fikcyjnych sytuacji
- metody oparte na współpracy
- metody rozwijające refleksyjne myślenie
- metody służące prezentacji treści
- metody wymiany i dyskusji

Skrócony opis:

Przedmiot wprowadza w dziedzinę uczenia maszynowego i datamining.

Można poznać szereg algorytmów, które służą do zaawansowanej analizy danych różnego typu.

Można także zapoznać się z różnymi środowiskami data mining gotowymi do użycia. Studenci uczą się implementować algorytmy uczenia maszynowego.

Pełny opis:

Wykład i laboratorium dotyczą następujących zagadnień:

1. Charakterystyka problemów podejmowanych przez uczenie maszynowe i data mining

2. Algorytmy uczące się, czym są?

3. Typy uczenia się. Uczenie się z danych i problemy związane z danymi.

4. Algorytmy liniowej dyskryminacji.

5. Algorytmy regresji.

6. Algorytmy ML i algorytmy uczenia Baysowskiego

7. Metoda okien Parzena lub sieć NRBF

8. Metoda kNN i jego odmiany

9. Algorytmy drzew decyzyjnych

10. Algorytm SVM

11. Algorytmy komitetowe

12. Metody selekcji informacji

13. Metody klasteryzacji

14. Metodologia testowania efektywności procesu uczenia algorytmów

15. Meta-uczenie

16. Analiza systemów data mining.

17. Metodologia posługiwania się narzędziami data mining.

Literatura:

1. Duda, Hart, Stork, Pattern Classification, Wiley, 2001

2. D. Larose, Odkrywanie wiedzy z danych, PWN, 2006

3. T. Mitchell. Machine learning. McGraw Hill, 1997.

4. T. Hastie, R. Tibshirani, and J. Friedman. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer Series in Statistics. Springer, 2001.

5. V. Vapnik, The Nature of Statistical Learning Theory, Springer, 1995

6. B. Schoelkopf and A. Smola, Learning with Kernels, MIT, 2002

7. I. Guyon, S Gun, M. Nikravesh, L Zadeh ed., Feature extraction, foundations and Applications, Springer, 2006

8. N. Jankowski, Ontogeniczne sieci neuronowe. O sieciach zmieniających swoją strukturę, Exit, 2003

9. V. Cherkassky and F. Mulier, Learning from data, Wiley, 1998

Metody i kryteria oceniania:

LAB:

na zaliczenie ma wpływ przede wszystkim realizacja projektów, prezentacja projektów programistycznych i prezentacje seminaryjna, a także przygotowanie do zajęć i aktywność na zajęciach.

EGZAMIN:

Pisemny lub poprzez efekty pracy na laboratorium.

Powyższe metody oceny weryfikują zakres programu jak i efekty kształcenia opisane powyżej. O wyborze wersji egzaminu decyduje prowadzący zajęcia.

W przypadku wersji pisemnej: minimum 50%, poniżej 2.0, od 50% (3.0), ocena skalowana liniowo do 5.0.

W pracy bieżącej, na kolokwiach, na laboratoriach i egzaminie weryfikuje się wszystkie efekty uczenia się: wiedzy, umiejętności i kompetencje społeczne.

Zajęcia w cyklu "Semestr zimowy 2022/23" (zakończony)

Okres: 2022-10-01 - 2023-02-19
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Norbert Jankowski
Prowadzący grup: Norbert Jankowski, Rafał Linowiecki
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Zaliczenie na ocenę
Wykład - Egzamin

Zajęcia w cyklu "Semestr zimowy 2023/24" (zakończony)

Okres: 2023-10-01 - 2024-02-19
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Norbert Jankowski
Prowadzący grup: Norbert Jankowski, Rafał Linowiecki
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Zaliczenie na ocenę
Wykład - Egzamin
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 7.0.2.0-1 (2024-03-12)