"Akademia Nauk Stosowanych Stefana Batorego" - Centralny System Uwierzytelniania
Strona główna

Uczenie maszynowe 0202-INF-1-6151N
Ćwiczenia praktyczne (ĆW-P) Semestr letni 2023/2024

Informacje o zajęciach (wspólne dla wszystkich grup)

Liczba godzin: 15
Limit miejsc: (brak limitu)
Zaliczenie: Zaliczenie na ocenę
Literatura:

- Sylwester Bejger, Grzegorz Dudek, Witold Orzeszko, Michał Dominik Stasiak, Krzysztof Targiel. Uczenie maszynowe w podejmowaniu decyzji prognostycznych. Wydawca: Wydawnictwo Naukowe Uniwersytetu Mikołaja Kopernika, 2020.

- Andriy Burkov. The Hundred-Page Machine Learning Book. Wydawca: Andriy Burkov, 2019

- Hands-on Machine Learning with JavaScript

- Burak Kanber. Solve Complex Computational Web Problems Using Machine Learning. Wydawca: Packt Publishing, E-book 2018.

- Andreas C. Mueller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists. Wydawca: O'Reilly Media, E-book 2016.

Efekty uczenia się:

Kierunkowe Efekty Uczenia Się (KEU)

Wiedza

(„Student zna i rozumie…”)

- zasady bezpiecznej i higienicznej pracy przy obsłudze urządzeń informatycznych, sieci komputerowych oraz systemów teleinformatycznych (INZ_W13),

- znaczenie zdobytej wiedzy w zakresie samodzielnego kształcenia, planowania własnego rozwoju zawodowego oraz podejmowania inicjatyw przedsiębiorczych w branży informatycznej (INZ_W14),

- podstawowe zasady funkcjonowania systemu gramatyczno-leksykalnego języka angielskiego oraz specjalistyczne słownictwo informatyczne, - umożliwiające efektywną komunikację w środowisku zawodowym (INZ_W15).

Umiejętności

(„Student potrafi…”)

- wyszukiwać i analizować informacje z różnych źródeł, zarówno tradycyjnych, jak i cyfrowych, w języku polskim i angielskim, a następnie je interpretować, formułować wnioski i oceniać ich wiarygodność (INZ_U01),

- rozwijać swoje umiejętności poprzez samodzielne kształcenie, szczególnie w kontekście podnoszenia kwalifikacji zawodowych i zdobywania certyfikatów potwierdzających kompetencje (INZ_U05),

- używać języka angielskiego na poziomie B2 według Europejskiego Systemu Opisu Kształcenia Językowego oraz stosować terminologię specjalistyczną w praktyce, co umożliwia analizowanie dokumentacji technicznej z zakresu informatyki i telekomunikacji oraz skuteczną komunikację w formie pisemnej i ustnej (INZ_U06).

Kompetencje społeczne

(„Student jest gotów do…”)

- świadomego identyfikowania zagrożeń związanych z gromadzeniem i przetwarzaniem danych oraz rozumienia konsekwencji rozwoju technologii teleinformatycznych dla społeczeństwa (INZ_K01),

- podjęcia pracy w zawodzie informatyka oraz angażowania się w działania na rzecz społeczności i środowiska zawodowego (INZ_K06),

- stosowania skutecznych strategii uczenia się i dostrzegania potrzeby ciągłego samodoskonalenia; jest zmotywowany do rozwijania swojej wiedzy językowej i umiejętności komunikacyjnych w języku angielskim zarówno w środowisku zawodowym, jak i w życiu codziennym; wykazuje świadomość różnic kulturowych i otwartość na odmienne perspektywy użytkowników języka (INZ_K07).

Metody i kryteria oceniania:

Wykonanie ćwiczeń na ocenę przedstawionych na zajęciach. Na ostatnich zajęciach samodzielne opracowanie zadania, wcześniej określonego przez wykładowcę zadania.

Zakres tematów:

Zakres tematyczny zajęć:

1. Wprowadzenie do uczenia maszynowego

2. Programowanie w języku Python – podstawy

3. Bazy danych i język SQL

4. Uczenie nadzorowane: klasyfikacja i regresja liniowa

5. Modele liniowe i ich zastosowanie

6. Drzewa decyzyjne i lasy losowe

7. Uczenie nienadzorowane: klastrowanie i redukcja wymiarowości

8. Sieci neuronowe i ich implementacja

9. Ćwiczenia praktyczne

Metody dydaktyczne:

Ten moduł przedstawia różnorodne podejścia do uczenia maszynowego, obejmujące zarówno tradycyjne jak i zaawansowane techniki. Studenci zdobędą wiedzę praktyczną i teoretyczną, która pozwoli im efektywnie stosować te metody w analizie danych i tworzeniu modeli predykcyjnych. Podczas semestru omówione będą następujące metody:

Nadzorowane Uczenie: Poznanie podstaw uczenia maszynowego poprzez wykorzystanie danych opatrzonych etykietami, takich jak klasyfikacja i regresja.

Nienadzorowane Uczenie: Zrozumienie technik klastrowania i redukcji wymiarowości danych, które pozwalają na odkrywanie ukrytych wzorców bez etykiet.

Grupy zajęciowe

zobacz na planie zajęć

Grupa Termin(y) Prowadzący Miejsca Liczba osób w grupie / limit miejsc Akcje
1 każda niedziela, 13:10 - 14:40, sala E110
każda niedziela, 12:05 - 12:50, sala E110
Marcelina Otręba 11/ szczegóły
Wszystkie zajęcia odbywają się w budynku:
Budynek E
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest "Akademia Nauk Stosowanych Stefana Batorego".
kontakt deklaracja dostępności mapa serwisu USOSweb 7.2.0.0-6 (2025-09-29)