Uniwersytet Mikołaja Kopernika w Toruniu - Centralny punkt logowania
Strona główna

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) 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.

zobacz reguły punktacji
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.

Przedmiot nie jest oferowany w żadnym z aktualnych cykli dydaktycznych.
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)