Uczenie maszynowe, algorytmy i systemy datamining 0800-UMASZ

Wykład i laboratorium dotyczą następujących zagadnień:

1. Charakterystyka problemów podejmowanych przez uczenie maszynowe i data mining
2. Algorytmy uczące się, czym są?
3. Typy uczenia się. Uczenie się z danych i problemy związane z danymi.
4. Algorytmy liniowej dyskryminacji.
5. Algorytmy regresji.
6. Algorytmy ML i algorytmy uczenia Baysowskiego
7. Metoda okien Parzena lub sieć NRBF
8. Metoda kNN i jego odmiany
9. Algorytmy drzew decyzyjnych
10. Algorytm SVM
11. Algorytmy komitetowe
12. Metody selekcji informacji
13. Metody klasteryzacji
14. Metodologia testowania efektywności procesu uczenia algorytmów
15. Meta-uczenie
16. Analiza systemów data mining.
17. Metodologia posługiwania się narzędziami data mining.

Całkowity nakład pracy studenta

30 h - wykład 30 h - laboratorium 90 h - praca indywidualna Razem: 150 h (5ECTS)

Efekty uczenia się - wiedza

Rozumie typy problemów uczenia maszynowego i data mining. Poznaje metody analizy poprawności tworzenia modeli. Wiedza z zakresu metod dyskryminacji liniowej i nieliniowej. Wiedza z zakresu metod regresji liniowej i nieliniowej. Wiedza z zakresów systemów data mining. Wiedza z zakresu metod klasteryzacji, selekcji prototypów i cech. Rozumie zagrożenia stosowanie błędnych rozwiązań uczenia maszynowego. K 1, 2, 3, 5, 6, 7

Efekty uczenia się - umiejętności

Umie zrozumieć zadanie jako problem uczenia maszynowego. Rozróżnia typy problemów uczenia maszynowego. Umie posłużyć się podstawowymi modelami dyskryminacji i regresji, liniowej i nieliniowej. Umiejętność posługiwania sie klasyfikatorami i klasteryzacją. Rozumie zagrożenia złego użycia metod. Potrafi posłużyć się systemem data mining. Potrafi pogłębić wiedzę na podstawie zewnętrznej wiedzy naukowej. Potrafi zweryfikować hipotezy uczenia maszynowego. Umie używać miar błędów związanych z testowaniem procesu uczenia maszynowego. U 1, 2, 3, 4, 5, 8, 11

Efekty uczenia się - kompetencje społeczne

Potrafi wykorzystać wiedzę i umiejętności z zakresu tematycznego przedmiotu w zastosowaniu do problemów społeczeństwa. Rozumie konsekwencje etyczne działania systemów uczenia maszynowego. Umie ocenić jakość zbudowanych rozwiązań uczenia maszynowego K 1, 2, 3

Metody dydaktyczne

Wykład: prezentacja materiału i problemów, dyskusja Ćwiczenia: omawianie zagadnień i ich analiza, wspólne i indywidualne rozwiązywanie zadań. Analiza przypadków. Częściowo praca grupowa. Laboratoria: Nacisk na indywidualne i grupowe rozwiązywanie problemów + pomoc eksperta. Dyskusja nad przykładami rozwiązań.

Metody dydaktyczne eksponujące

- symulacyjna (gier symulacyjnych)
- pokaz

Metody dydaktyczne podające

- wykład problemowy

Metody dydaktyczne poszukujące

- klasyczna metoda problemowa
- giełda pomysłów
- punktowana
- ćwiczeniowa
- projektu
- obserwacji
- studium przypadku
- seminaryjna
- laboratoryjna
- doświadczeń
- sytuacyjna
- referatu

Metody dydaktyczne w kształceniu online

- metody odnoszące się do autentycznych lub fikcyjnych sytuacji
- metody służące prezentacji treści
- metody rozwijające refleksyjne myślenie
- metody wymiany i dyskusji
- metody oparte na współpracy
- metody integracyjne
- metody ewaluacyjne

Rodzaj przedmiotu

przedmiot fakultatywny

Wymagania wstępne

Analiza matematyczna, Algebra. Algorytmy i struktury danych. Języki programowania. Programowanie obiektowe.

Koordynatorzy przedmiotu

Norbert Jankowski

Kryteria oceniania

LAB:
na zaliczenie ma wpływ przede wszystkim realizacja projektów, prezentacja projektów programistycznych i prezentacje seminaryjna, a także przygotowanie do zajęć i aktywność na zajęciach.

EGZAMIN:
Pisemny lub poprzez efekty pracy na laboratorium.
Powyższe metody oceny weryfikują zakres programu jak i efekty kształcenia opisane powyżej. O wyborze wersji egzaminu decyduje prowadzący zajęcia.
W przypadku wersji pisemnej: minimum 50%, poniżej 2.0, od 50% (3.0), ocena skalowana liniowo do 5.0.

W pracy bieżącej, na kolokwiach, na laboratoriach i egzaminie weryfikuje się wszystkie efekty uczenia się: wiedzy, umiejętności i kompetencje społeczne.

Literatura

1. Duda, Hart, Stork, Pattern Classification, Wiley, 2001
2. D. Larose, Odkrywanie wiedzy z danych, PWN, 2006
3. T. Mitchell. Machine learning. McGraw Hill, 1997.
4. T. Hastie, R. Tibshirani, and J. Friedman. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer Series in Statistics. Springer, 2001.
5. V. Vapnik, The Nature of Statistical Learning Theory, Springer, 1995
6. B. Schoelkopf and A. Smola, Learning with Kernels, MIT, 2002
7. I. Guyon, S Gun, M. Nikravesh, L Zadeh ed., Feature extraction, foundations and Applications, Springer, 2006
8. N. Jankowski, Ontogeniczne sieci neuronowe. O sieciach zmieniających swoją strukturę, Exit, 2003
9. V. Cherkassky and F. Mulier, Learning from data, Wiley, 1998

Więcej informacji

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

Strona przedmiotu 0800-UMASZ w USOSweb