Narzędzia uczenia maszynowego
1000-MS1-NarzUMasz
Przedmiot ten oferuje przede wszystkim praktyczne podejście do uczenia maszynowego, skupiając się na rozwijaniu umiejętności niezbędnych do efektywnego wykorzystania biblioteki scikit-learn. Scikit-learn to popularna, otwarta biblioteka programistyczna dla języka Python, która dostarcza prostych i efektywnych narzędzi do analizy danych i modelowania statystycznego. W trakcie zajęć studenci zaznajomią się z różnymi algorytmami uczenia maszynowego, takimi jak klasyfikacja, regresja czy klasteryzacja, a także nauczą się jak dostosować te techniki do różnych problemów w praktyce.
Kurs prowadzony jest w sposób interaktywny, zachęcając uczestników do zdobywania doświadczenia poprzez praktyczne ćwiczenia związane z implementacją, ewaluacją i optymalizacją modeli uczenia maszynowego. Studenci będą pracować z rzeczywistymi zestawami danych, ucząc się, jak przygotować dane do analizy, wybierać odpowiednie modele oraz oceniać ich skuteczność i wydajność. Dzięki temu kursowi uczestnicy zdobędą solidne podstawy teoretyczne i praktyczne w dziedzinie uczenia maszynowego, co pozwoli im na samodzielne tworzenie zaawansowanych rozwiązań opartych na scikit-learn.
Całkowity nakład pracy studenta
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)
Efekty uczenia się - wiedza
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)
Efekty uczenia się - umiejętności
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)
Efekty uczenia się - kompetencje społeczne
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)
Koordynatorzy przedmiotu
Metody dydaktyczne
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.
Metody dydaktyczne poszukujące
- projektu
- studium przypadku
- laboratoryjna
- klasyczna metoda problemowa
Rodzaj przedmiotu
przedmiot obligatoryjny
Wymagania wstępne
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.
Kryteria oceniania
Ocena będzie wystawiona na podstawie zadań i projektów zaliczeniowych wykonywanych częściowo w trakcie laboratoriów i częściowo samodzielnie,
Praktyki zawodowe
Literatura
-) Aurelien Geron - Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow. Wydanie III, Helion 2023.
-) Wes McKinney - Python w analizie danych. Przetwarzanie danych za pomocą pakietów pandas i NumPy oraz środowiska Jupyter. Wydanie III, Helion 2023,
-) Hauck Trent, scikit-learn Cookbook. Second Edition, Packt Publishing 2017.
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i
terminach zajęć) mogą być dostępne w serwisie USOSweb: