Wykład monograficzny 1000-I2M2022

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

przedmiot fakultatywny

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.

* 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

Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb:

• Strona przedmiotu 1000-I2M2022 w USOSweb