Wykład monograficzny
Informacje ogólne
Kod przedmiotu: | 1000-M2M1802 |
Kod Erasmus / ISCED: | (brak danych) / (brak danych) |
Nazwa przedmiotu: | Wykład monograficzny |
Jednostka: | Wydział Matematyki i Informatyki |
Grupy: |
Mat., II st., stacjonarne, 1 rok, wykłady monograficzne |
Punkty ECTS i inne: |
(brak)
|
Język prowadzenia: | polski |
Wymagania wstępne: | Wykład monograficzny przeznaczony jest dla studentów, którzy lubią rachunek prawdopodobieństwa związany z realnymi zastosowaniami. Pewna znajomość statystyki i algebry liniowej jest oczywiście wskazana, ale nie jest konieczna. |
Skrócony opis: |
Tematyka wykładu jest z pogranicza statystyki matematycznej i statystycznego uczenia maszynowego (statistical machine learning). W uczeniu maszynowym rozpatruje się podobne zadania jak w statystyce matematycznej, ale z nieco innego punktu widzenia. Nacisk położony jest na predykcję jak również na algorytmy obliczeniowe i metody nieparametryczne. |
Pełny opis: |
Tematyka wykładu jest z pogranicza statystyki matematycznej i statystycznego uczenia maszynowego (statistical machine learning). Najogólniej mówiąc, jest to teoria zajmująca się problemem odtwarzania/przybliżania zależności między zmiennymi na podstawie obserwacji losowo generowanych przykładów. Najwięcej uwagi poświęca się tzw. „uczeniu z nadzorem” (supervised learning), w którym chodzi o predykcję zmiennej objaśnianej Y na przy pomocy zmiennej objaśniającej X, przy czym predyktor estymuje się na podstawie losowej próbki par (X1,Y1),…,(Xn,Yn). W tym schemacie mieszczą się klasyczne zadania: dopasowania funkcji regresji i klasyfikacji statystycznej. W uczeniu maszynowym rozpatruje się więc podobne zadania jak w statystyce matematycznej, ale z nieco innego punktu widzenia. Nacisk położony jest na predykcję, na rozróżnienie fazy uczenia (próbka treningowa) i fazy sprawdzania (próbka testująca), jak również na algorytmy obliczeniowe i na metody nieparametryczne. Wydaje się, że nowoczesna statystyka matematyczna rozwija się w kierunku wyznaczonym przez teorię i praktykę uczenia maszynowego. Absolwenci studiów matematycznych zaznajomieni z uczeniem maszynowym (nawet w stopniu podstawowym) mają duże szanse znalezienia dobrej pracy w nowoczesnych firmach. Duża część wykładu będzie oparta na monografii [1] i/lub na jednym z dostępnych w Sieci cykli wykładów. Monografia [2] jest klasycznym i obszernym wykładem statystyki z nowoczesnego punktu widzenia i będzie użyteczną literaturą uzupełniającą. |
Literatura: |
[1] UNDERSTANDING MACHINE LEARNING From Theory to Algorithms, Shai Shalev-Shwartz, Shai Ben-David, Cambridge University Press 2014 [2] The Elements of Statistical Learning, Trevor Hastie, Robert Tibshirani, Jerome Friedman, Springer 2009 (II Ed.) [3] Statystyczne systemy uczące się. Jacek Koronacki, Jan Ćwik, WNT 2005 [4] Statystyczne systemy uczące się: ćwiczenia w oparciu o pakiet R, Jan Ćwik, Jan Mielniczuk, Wydawnictwa PW 2009 |
Metody i kryteria oceniania: |
Zaliczenie na podstawie sprawdzianu. |
Właścicielem praw autorskich jest Uniwersytet Mikołaja Kopernika w Toruniu.