Uczenie maszynowe 1000-MS1-UMasz

1. Wprowadzenie do uczenia maszynowego.
2. Podstawowe algorytmy klasyfikacyjne: naiwny klasyfikator bayesowski,
metoda „k - najbliższych sąsiadów”.
3. Maszyny wektorów podpierających.
4. Metody łączenia klasyfikatorów: „bagging” i „boosting”.
5. M-estymatory z karą.
6. Modele graficzne - pola losowe Markowa.
7. Algorytm EM („Expectation-Maximization”).
8. Analiza składowych głównych.
9. Statystyczna analiza algorytmów.

W cyklu 2022/23Z:

Jak w części A

W cyklu 2023/24Z:

Jak w części A

W cyklu 2024/25Z:

Jak w części A

W cyklu 2025/26Z:

Jak w części A

Całkowity nakład pracy studenta

Wykład – 30 godz. Laboratorium – 30 godz. Samodzielne studiowanie tematyki zajęć – 35 godz. Rozwiązywanie zadań domowych – 25 godz. Przygotowanie do egzaminu – 30 godz. Razem: 150 godz. - 6 punktów ECTS

Efekty uczenia się - wiedza

W1: zna najważniejsze problemy uczenia maszynowego - K_W01, K_W03, K_W06, W2: zna przynajmniej jeden algorytm stosowany do rozwiązania najważniejszych problemów uczenia maszynowego - K_W03, K_W04, K_W06, K_W07.

Efekty uczenia się - umiejętności

U1: potrafi rozwiązywać najważniejsze problemy uczenia maszynowego, używając dostępnych algorytmów – K_U01, K_U02, K_U03, U2: umie znaleźć i analizować zbiory danych adekwatne do określonego problemu uczenia maszynowego - K_U19, K_U21, U3: potrafi zinterpretować, ocenić i przedstawić wyniki analiz - K_U04, K_U05, K_U06, K_U16, K_U19.

Efekty uczenia się - kompetencje społeczne

K1: potrafi w sposób zrozumiały (dla matematyków i niematematyków) formułować problemy uczenia maszynowego i metody ich rozwiązania – K_K03, K2: rozumie i docenia znaczenie uczenia maszynowego w analizie danych K_K05,

Metody dydaktyczne podające

- wykład informacyjny (konwencjonalny)

Metody dydaktyczne poszukujące

- laboratoryjna

Rodzaj przedmiotu

przedmiot obligatoryjny

Wymagania wstępne

Zaliczenie przedmiotów „Narzędzia eksploracji danych”, „Statystyka matematyczna”, ,,Eksploracja danych"

Koordynatorzy przedmiotu

Wojciech Rejchel

Kryteria oceniania

Egzamin pisemny – W1, W2, K1, K2,
Zaliczenie laboratorium na podstawie dwóch sprawdzianów – W1, W2, U1, U2, U3, K1, K2.

Praktyki zawodowe

Brak

Literatura

1. L. Devroye, L. Gyorfi, G. Lugosi: „A probabilistic theory of pattern recognition”, Springer, 1996.
2. J. Koronacki, J. Ćwik: „Statystyczne systemy uczące się”. Wydaw. Naukowo-Techniczne, Warszawa, 2006.
3. T. Hastie, R. Tibshirani, J. Friedman: „The Elements of Statistical Learning”, Springer, 2009.
4. S. Shalev-Shwartz, S. Ben-David: „Understanding Machine Learning: From Theory to Algorithms”, Cambridge University Press, 2014.

W cyklu 2022/23Z:

Jak w części A

W cyklu 2023/24Z:

Jak w części A

W cyklu 2024/25Z:

Jak w części A

W cyklu 2025/26Z:

Jak w części A

Więcej informacji

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

Strona przedmiotu 1000-MS1-UMasz w USOSweb