Uczenie maszynowe

Celem kursu jest przekazanie studentom podstawowej wiedzy i wykształcenia umiejętności formułowania uzasadnień biznesowych dla projektów wykorzystujących metody uczenia maszynowego. Zapoznanie się z zapytaniami w programie Python oraz wykonaniem zadań z nimi związanymi.

Zapoznanie się z najnowszymi technologiami związanymi z uczeniem maszynowym. Zrozumienie wyzwań związanych z wdrażaniem rozwiązań wykorzystujących uczenie maszynowe w informatyce. Zaprezentowanie przykładowych zadań wykorzystujących uczenie maszynowe.

Kod przedmiotu oraz pkt ECTS

0202-INF-1-6151N, 3

Ze względu na możliwe zmiany treści kształcenia, zmiany przepisów (stosownie do sytuacji), szczegółowe treści kształcenia znajdują się w polu „Opis” - informacja zamieszczona jest w polu „Informacje o zajęciach w cyklu

- 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.

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).

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.

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