(in Polish) Narzędzia uczenia maszynowego 1000-MS1-NarzUMasz

(in Polish) 1. Godziny realizowane z udziałem nauczycieli: a) laboratorium – 60 godzin b) bieżące przygotowanie do zajęć, w tym rozwiązywanie zadań zleconych przez prowadzących, zapoznanie się z informacją zwrotną dotyczącą rozwiązanych zadań oraz konsultacje z prowadzącymi zajęcia – 30 godzin 2. Czas poświęcony na pracę indywidualną studenta potrzebny do zaliczenia przedmiotu: a) studiowanie literatury – 30 godzin b) przygotowywanie projektów zaliczeniowych – 30 godzin. RAZEM: 150 godzin (6 punktów ECTS)

(in Polish) Po ukończeniu kursu student osiąga następujące efekty (kody odnoszą się do efektów dla studiów I stopnia na kierunku matematyka stosowana): W1. Zna podstawowe koncepcje uczenia maszynowego oraz różnorodność stosowanych w nim narzędzi. (K_W03, K_W06) W2. Zna zastosowania bibliotek i narzędzi programistycznych takich jak scikit-learn, JAX, numpy, pandas, matplotlib, NLTK, networkx i Statsmodels. (K_W07) W3. Rozumie metody przetwarzania danych, analizy i wizualizacji, stosowane w uczeniu maszynowym. (K_W05)

(in Polish) Po ukończeniu kursu student osiąga następujące efekty (kody odnoszą się do efektów dla studiów I stopnia na kierunku matematyka stosowana): U1. Wykorzystuje biblioteki i narzędzia programistyczne do analizy i przygotowania danych. (K_U03) U2. Implementuje, ocenia i optymalizuje modele uczenia maszynowego z wykorzystaniem odpowiednich narzędzi. (K_U02, K_U03) U3. Przetwarza, analizuje dane tekstowe i grafowe z użyciem bibliotek NLTK i networkx. (K_U01) U4. Wizualizuje wyniki analiz i modeli uczenia maszynowego za pomocą biblioteki matplotlib. (K_U03)

(in Polish) Po ukończeniu kursu student osiąga następujące efekty (kody odnoszą się do efektów dla studiów I stopnia na kierunku matematyka stosowana): K1. Potrafi efektywnie współpracować w zespołach podczas pracy nad projektami związanymi z uczeniem maszynowym. (K_K01) K2. Umie komunikować się z innymi specjalistami z dziedziny uczenia maszynowego, używając właściwej terminologii. (K_K02) K3. Krytycznie ocenia i analizuje wyniki modeli oraz podejmuje decyzje dotyczące ich optymalizacji i wdrożenia. (K_K03)

(in Polish) Metody dydaktyczne: • Metody dydaktyczne poszukujące: klasyczna metoda problemowa, laboratoryjna. • Ćwiczenia laboratoryjne - praktyczne zastosowanie narzędzi w kontekście analizy danych, implementacji i optymalizacji modeli uczenia maszynowego. • Projekty - indywidualne lub grupowe zadania związane z praktycznym zastosowaniem narzędzi uczenia maszynowego do rozwiązania konkretnych problemów. • Studium przypadku - analiza rzeczywistych problemów i zastosowanie narzędzi uczenia maszynowego w celu opracowania optymalnych rozwiązań. • Dyskusje i prezentacje - omówienie wyników analiz oraz wymiana informacji i doświadczeń związanych z użytkowaniem modeli uczenia maszynowego.

- project work
- case study
- laboratory
- classic problem-solving

compulsory course

(in Polish) Znajomość podstawowych algorytmów, struktur danych, pojęć analizy matematycznej, rachunku różniczkowego i całkowego, rachunku prawdopodobieństwa i statystyki matematycznej. Znajomość dowolnego współczesnego strukturalnego języka programowania (najlepiej Python). Podstawowa znajomość technik programowania obiektowego.

Additional information (registration calendar, class conductors, localization and schedules of classes), might be available in the USOSweb system:

• Description of 1000-MS1-NarzUMasz in USOSweb