Wykład monograficzny

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.

przedmiot fakultatywny

wykład - 30 godzin

praca własna, studiowanie literatury - 30 godzin

RAZEM: 60 godzin

2 punkty ECTS

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.)

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.)

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.)

- pokaz

- wykład informacyjny (konwencjonalny)
- wykład konwersatoryjny

- laboratoryjna

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).

* 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