Uniwersytet Mikołaja Kopernika w Toruniu - Centralny punkt logowania
Strona główna

Wykład monograficzny

Informacje ogólne

Kod przedmiotu: 1000-I2M2022
Kod Erasmus / ISCED: (brak danych) / (0613) Tworzenie i analiza oprogramowania i aplikacji Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Wykład monograficzny
Jednostka: Wydział Matematyki i Informatyki
Grupy: Inf., II st., stacjonarne, 1 rok, wykłady monograficzne
Punkty ECTS i inne: 2.00 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:

Aby w pełni docenić materiał w tego wykładu, zalecamy następujące wymagania:

1. Eksploracja danych oraz metody uczenia maszynowego.

2. Algorytmy oraz struktury danych i matematyka dyskretna.

3. Podstawowe wiadomości z zakresu informatyki obejmujące bazy danych i programowanie współbieżne oraz systemy operacyjne.

4. Wymagana jest praktyczna znajomość współczesnego języka programowania np. Python, C, C++, C#, Java, itp. oraz zasad programowania obiektowego.

Rodzaj przedmiotu:

przedmiot fakultatywny

Całkowity nakład pracy studenta:

wykład - 30 godzin


praca własna, studiowanie literatury - 30 godzin


RAZEM: 60 godzin

2 punkty ECTS

Efekty uczenia się - wiedza:

W1 - potrafi wymienić podstawowe podejścia (wraz z przykładami modeli) dla zagadnienia Learn2Rank również w kontekście semi-supervised i multi view learning (K_W06).


W2 - dostrzega różnice między danymi ustrukturyzowanymi i nieustrukturyzowanymi, rozumie specyficzne problemy i trudności związane z przetwarzaniem i analizowaniem danych nieustrukturyzowanych (K_W01, K_W04).


W3 - Zna najważniejsze metody wyodrębniania kluczowych cech z repozytoriów kodu źródłowego i przekształcania ich do postaci numerycznej, nadającej się do analizy (K_W02).


(Kody odnoszą się do efektów dla studiów 2 stopnia na kierunku informatyka.)

Efekty uczenia się - umiejętności:

U1. Potrafi znaleźć potrzebne dane w zbiorach danych ogólnie dostępnych, umie pobrać dane i przekształcić je do postaci nadającej się do analizy (K_U02, K_U05, K_U08).


U2. Umie wybrać model eksploracji danych odpowiedni do konkretnego zagadnienia, oraz zaprezentować jego działanie na przykładowych danych (K_U07).


(Kody odnoszą się do efektów dla studiów 2 stopnia na kierunku informatyka.)

Efekty uczenia się - kompetencje społeczne:

K1. Potrafi sformułować problem Learn2Rank w kontekście eksploracji repozytoriów kodu źródłowego w sposób zrozumiały zarówno dla osób, z którymi współpracuje w tym obszarze, jak i ekspertów analityków. (K_K02)


K2. Potrafi czerpać wiedzę z danych i na tej podstawie formułować propozycje rozwiązania sytuacji problemowych. (K_K03)


(Kody odnoszą się do efektów dla studiów 2 stopnia na kierunku informatyka.)

Metody dydaktyczne eksponujące:

- pokaz

Metody dydaktyczne podające:

- wykład informacyjny (konwencjonalny)
- wykład konwersatoryjny

Metody dydaktyczne poszukujące:

- laboratoryjna

Skrócony opis:

Tematyka wykładu obejmować będzie zagadnienia związane z zadnieniem tworzenia systemów tworzących rankingi z wykorzystaniem uczenia maszynowego.

Szczególny nacisk zostanie położony na wykorzystanie podejść z zakresu nauczania pół nadzorowanego (semi-supervised) oraz opartego o wiele widoków na dane (multi-view learning).

Następnie omówione zostaną zastosowania w kontekście eksploracji repozytoriów kodu źródłowego (Mining software Repositories).

Literatura:

* Liu, Tie-Yan. “Learning to rank for information retrieval.” 2011 , Springer

* O. Chapelle, B. Schölkopf,, A. Zien, Eds. "Semi-Supervised Learning", 2006, MIT Press

* Sun S, Mao L, Dong Z, Wu L. "Multiview machine learning". 2019, Springer

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

Okres: 2023-02-20 - 2023-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Wykład monograficzny, 30 godzin, 10 miejsc więcej informacji
Koordynatorzy: Piotr Przymus
Prowadzący grup: Piotr Przymus
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie
Wykład monograficzny - Zaliczenie
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 mapa serwisu USOSweb 7.1.1.0-2 (2024-11-25)