1DI2150 - Modele matematyczne w uczeniu maszynowym

Nazwa w drugim języku: 

Mathematical models in machine learning

Przedmiot realizowany w planach wzorcowych:

• Informatyka stosowana Semestr: 1 Etap: Model 2, magisterskie II-go stopnia, stacjonarne, polski, Wersja programu studiów: WPS2022Z/2023L
• Informatyka stosowana Semestr: 1 Etap: Model 2, magisterskie II-go stopnia, stacjonarne, polski, Wersja programu studiów: WPS2019Z/2020L
• Informatyka stosowana Semestr: 1 Etap: Model 2, magisterskie II-go stopnia, stacjonarne, polski, Wersja programu studiów: WPS2020Z/2021L
• Informatyka stosowana Semestr: 1 Etap: Model 2, magisterskie II-go stopnia, stacjonarne, polski, Wersja programu studiów: WPS2023Z/2024L
• Informatyka stosowana Semestr: 1 Etap: Model 2, magisterskie II-go stopnia, stacjonarne, polski, Wersja programu studiów: WPS2024Z/2025L
• Informatyka stosowana Semestr: 1 Etap: Model 2, magisterskie II-go stopnia, stacjonarne, polski, Wersja programu studiów: WPS2021Z/2022L

Obieralny dla katalogów:

Znalazłem 0 pozycji. (Pokaż szczegóły)

Cel przedmiotu: 

Zapoznanie studentów z nowoczesnymi metodami uczenia maszynowego w zastosowaniu do sztucznych sieci neuronowych i drzew decyzyjnych.

Treści kształcenia: 

Wykłady:
Pojęcia wstępne uczenia maszynowego: regresja, klasyfikacja, sieci neuronowe, drzewa decyzyjne. Klasyfikatory KNN. Klasyfikatory bayesowskie, modele matematyczne drzew decyzyjnych - algorytmy uczące. Modele neuronów i metody ich uczenia, sieci neuronowe sigmoidalne jednowarstwowe i wielowarstwowe (MLP), algorytmy uczenia sieci MLP, algorytm propagacji wstecznej, zdolność generalizacji sieci neuronowych, metody projektowania optymalnej architektury sieci neuronowej MLP. Sieci RBF - algorytmy uczące. Sieci SVM do klasyfikacji i regresji, metody uczenia sieci SVM. Przykłady zastosowań sieci neuronowych: generacja i selekcja cech diagnostycznych. Sieci głębokie (CNN, autoenkoder, LSTM) - struktury i algorytmy uczące. Zespoły klasyfikatorów i regresorów. Sieci samo-organizujące bazujące na współzawodnictwie neuronów (sieci Kohonena), algorytmy uczenia sieci ze współzawodnictwem. Sieci samo-organizujące typu korelacyjnego: sieci PCA i BSS, algorytmy uczące i zastosowania. Systemy rozmyte, algorytmy uczenia sieci rozmytych.

Laboratorium:
Badanie algorytmów regresji i klasyfikatorów Bayesa i drzew decyzyjnych
Badanie algorytmów uczących sieci neuronowych
Badanie zdolności generalizacyjnych sieci neuronowych
Sieci głębokie
Badanie algorytmów PCA i ICA

Bibliografia: 

S. Osowski, Sieci neuronowe do przetwarzania informacji, OWPW, 2006
S. Osowski, Metody i narzędzia eksploracji danych, BTC, Legionowo, 2013

Metody oceny: 

Warunkiem zaliczenia przedmiotu jest zdanie części pisemnej i (ewentualnie ustnej) obejmującej wybrane zagadnienia uczenia maszynowego. Na części pisemnej dopuszczone jest korzystanie z notatek z wykładów i książek. Ocena ostateczna jest obliczana jako średnia ważona z zaliczenia wykładu (80%) i laboratorium (20%). Obie formy zaliczenia muszą uzyskać minimum 51% możliwych do zdobycia punktów.
Uwagi: (Zmień)

Uwagi: 

-

Przedmioty na których bazuje dany przedmiot (prerekwizyty):

• [1DI1116] Analiza matematyczna

• Efekty Kształcenia dla kierunku Informatyka Stosowana:
• Wiedza

  Kod	Efekt Kształcenia dla kierunku	Procent	Efekt kształcenia dla przedmiotu	Sposób sprawdzania
  I2_W01	Ma rozszerzoną i pogłębioną wiedzę z zakresu matematyki przydatną do formułowania i rozwiązywania złożonych zadań z zakresu informatyki obejmującą wybrane zagadnienia dotyczące: a) analizy matematycznej, b) algebry, c) probabilistyki, d) metod numerycznych, e) optymalizacji.	++ (66%)	Student uzyskuje pogłębiona wiedzę z dziedziny systemów uczących sie i ich zastosowań.	Testy sprawdzające prowadzone bieżąco na wykładach oraz egzamin końcowy.
  I2_W01d	ma rozszerzoną i pogłębioną wiedzę z zakresu matematyki przydatną do formułowania i rozwiązywania złożonych zadań z zakresu informatyki, obejmującą wybrane zagadnienia dotyczące metod numerycznych	++ (66%)	Student pogłębia wiedzę z zakresu metod numerycznych stosowanych w uczeniu systemów maszynowych.	Testy sprawdzające prowadzone bieżąco na wykładach oraz egzamin końcowy.

• Umiejętności

  Kod	Efekt Kształcenia dla kierunku	Procent	Efekt kształcenia dla przedmiotu	Sposób sprawdzania
  I2_U01	Potrafi pozyskiwać informacje z literatury, baz danych oraz innych właściwie dobranych źródeł w wersji drukowanej i elektronicznej, w tym w Internecie, także w języku angielskim albo francuskim lub niemieckim w zakresie informatyki, potrafi integrować uzyskane informacje, dokonywać ich interpretacji i krytycznej oceny, a także wyciągać wnioski, formułować i wyczerpująco uzasadniać opinie.	++ (66%)	Potrafi wybrać właściwy rodzaj rozwiązania do uzyskania właściwych wyników zadania.	Obseracja działania studenta na laboratorium w czasie wykonywania projektu. Ocena realizacji projektu.
  I2_U08	Potrafi planować i przeprowadzać eksperymenty, w tym pomiary, symulacje komputerowe, interpretować uzyskane wyniki i wyciągać wnioski.	++ (66%)	Potrafi przeprowadzić cały cykl zastosowania sieci neuronowych do uzyskania właściwych wyników.	Obseracja działania studenta na laboratorium w czasie wykonywania projektu. Ocena realizacji projektu.
  I2_U09b	potrafi wykorzystać do formułowania i rozwiązywania zadań inżynierskich i prostych problemów badawczych metody symulacyjne	++ (66%)	Potrafi dobrać właściwy rodzaj uczenia maszynowego do postawionego do zadania.	Ocena jakości wykonanego projektu laboratoryjnego pod katem właściwego wyboru i realizacji.

• Kompetencje społeczne

  Kod	Efekt Kształcenia dla kierunku	Procent	Efekt kształcenia dla przedmiotu	Sposób sprawdzania
  E2_K01	Jest przygotowany do przeprowadzenie krytycznej analizy posiadanej wiedzy, ma świadomość posiadanych kompetencji i umie pozyskać informacje potrzebne do realizacji postawionych przed nim zadań.	++ (66%)	Rozumie konieczność ciągłego doskonalenie metod sztucznej inteligencji.	Dyskusje możliwych rozwiązań postawionego problemu i ocena rozeznania studenta w tematyce.
  E2_K04	Potrafi odpowiednio i w sposób odpowiedzialny określić priorytety służące realizacji postawionych zadań z uwzględnieniem pozatechnicznych aspektów i skutków działalności inżynierskiej, w tym jej wpływu na otoczenie społeczne i gospodarcze.	++ (66%)	) Potrafi ocenić wpływ rożnych czynników na jakość rozwiązania przy użyciu sieci neuronowych.	Dyskusja ze studentem na temat jakości uzyskanego rozwiązania.
  E2_K06	potrafi myśleć i działać w sposób kreatywny i przedsiębiorczy	++ (66%)	) Potrafi samodzielnie rozwiązać złożone problemy przy projektowaniu sieci neuronowej wykonującej określone zadanie.	Wstępna ocena stopnia przygotowania studenta do wykonywanego projektu.

• • Punkty ECTS za zajęcia kontaktowe z nauczycielem: 2 
  • Punkty ECTS za zajęcia praktyczne łącznie; kontaktowe i bez kontaktu z nauczycielem: 3 
• • Uzasadnienie punktów ECTS:

  • Zajęcia kontaktowe z nauczycielem: 

    Wykład - 30 godzin
    Laboratorium - 10 godzin
    Konsultacje - 10 godzin

  • Zajęcia bez kontaktu z nauczycielem: 

    Przygotowanie się do laboratorium i opracowanie sprawozdań- 30 godzin
    Przygotowanie sie do egzaminu - 40 godzin

  • • Sumaryczna liczba godzin pracy studenta: 120 
  • Łączna liczba punktów ECTS wynika z sumarycznej liczby godzin pracy studenta.