↰ powrót do programu studiów

Algorytmy uczenia maszynowego

Sylabus zajęć

Informacje podstawowe

Kierunek studiów

Specjalność

Jednostka organizacyjna

Wydział Biologii

Poziom studiów

Studia drugiego stopnia

Forma studiów

Studia stacjonarne

Profil studiów

Profil ogólnoakademicki

Cykl dydaktyczny

2021-2024

Języki wykładowe

Polski

Obligatoryjność

Obowiązkowy

Blok zajęciowy

Przedmioty nieprzypisane

Koordynator zajęć

dr Rafał Jaworski, Wydział Matematyki i Informatyki UAM

Prowadzący zajęcia

dr Rafał Jaworski, Wydział Matematyki i Informatyki UAM

Okres

Semestr 2

Forma zajęć / liczba godzin / forma zaliczenia

Wykład: 30, Ćwiczenia/laboratoria: 30, Zaliczenie z oceną

Liczba punktów ECTS

6.0

Cele kształcenia dla zajęć

Celem przedmiotu jest: 1. zrozumienie koncepcji uczenia maszynowego 2. poznanie najważniejszych zastosowań uczenia maszynowego 3. poznanie najważniejszych algorytmów uczenia maszynowego 4. nabycie umiejętności stosowania metod uczenia maszynowego w praktyce 5. nabycie umiejętności poprawnej ewaluacji modeli stworzonych metodami uczenia maszynowego

Wymagania wstępne

1. podstawowa umiejętność programowania w języku Python 2. znajomość podstaw algebry liniowej

Efekty uczenia się dla zajęć

Symbol EU dla zajęć/przedmiotu	Po zakończeniu zajęć i potwierdzeniu osiągnięcia EU student/ka:	Symbole EK dla kierunku studiów
Efekt_01	Rozumie rolę i znaczenie uczenia, potrafi wskazać przykłady zastosowań uczenia maszynowego.
Efekt_02	Potrafi wyróżnić podstawowe typy zadań uczenia maszynowego i wskazać ich przykłady.
Efekt_03	Umie korzystać z podstawowych narzędzi biblioteki NumPy oraz elementów języka Python przydatnych do implementowania rozwiązań z dziedziny uczenia maszynowego.
Efekt_04	Umie wizualizować dane, korzystając z biblioteki Matplotlib.
Efekt_05	Rozumie zagadnienie regresji liniowej i logistycznej Rozumie metodę gradientu prostego i umie ją zaimplementować do znalezienia rozwiązania problemu regresji liniowej i logistycznej.
Efekt_06	Rozumie znaczenie ewaluacji algorytmów uczenia maszynowego i zna jej podstawowe metody
Efekt_07	Rozumie rolę zbiorów danych: uczącego, walidacyjnego i testowego, i potrafi z nich korzystać.
Efekt_08	Zna podstawowe miary jakości stosowane przy ewaluacji algorytmów uczenia maszynowego.
Efekt_09	Potrafi korzystać z modułów pakietu Scikit-Learn do implementacji rozwiązań uczenia maszynowego i dokonać ewaluacji uzyskanych wyników.
Efekt_10	Rozumie zjawiska nadmiernego i niedostatecznego dopasowania i zna metody regularyzacji. Umie zapobiegać nadmiernemu i niedostatecznemu dopasowaniu w implementowanych przez siebie rozwiązaniach.
Efekt_11	Rozumie znaczenie optymalizacji i zna jej podstawowe metody oraz umie je stosować
Efekt_12	Rozumie ideę uczenia nienadzorowanego i zna najważniejsze algorytmy uczenia nienadzorowanego oraz potrafi je zaimplementować.
Efekt_13	Rozumie zasadę działania naiwnego klasyfikatora bayesowskiego.
Efekt_14	Rozumie zasadę działania algorytmu k najbliższych sąsiadów.
Efekt_15	Rozumie zasadę działania sztucznych sieci neuronowych, w tym wielowarstwowych.
Efekt_16	Potrafi wykorzystywać metodę propagacji wstecznej do uczenia wielowarstwowych sieci neuronowych.
Efekt_17	Potrafi implementować sieci neuronowe z wykorzystaniem biblioteki Keras.
Efekt_18	Rozumie zasadę działania i potrafi wskazać zastosowania rekurencyjnych sieci neuronowych.
Efekt_19	Rozumie zasadę działania i potrafi wskazać zastosowania splotowych sieci neuronowych.
Efekt_20	Rozumie zasadę działania i potrafi wskazać zastosowania modeli typu encoder-decoder.
Efekt_21	Rozumie ideę uczenia przez wzmacnianie i zna podstawowe paradygmaty uczenia przez wzmacnianie.

Treści programowe

Lp.	Treści programowe dla zajęć/przedmiotu	Symbol EU dla zajęć/przedmiotu
1.	Wprowadzenie do uczenia maszynowego. Czym jest uczenie maszynowe? Uczenie maszynowe a analiza danych. Przegląd zastosowań i metod uczenia maszynowego. Podstawowe pojęcia związane z uczeniem maszynowym.	Efekt_01, Efekt_02
2.	Elementy języka Python przydatne przy implementowaniu algorytmów uczenia maszynowego (biblioteka NumPy).	Efekt_03
3.	Wczytywanie i prezentowanie danych. Formaty CSV i TSV. Tworzenie wykresów przy pomocy biblioteki Matplotlib.	Efekt_04
4.	Regresja liniowa jednej zmiennej. Funkcja kosztu. Metoda gradientu prostego. Regresja liniowa wielu zmiennych. Normalizacja danych. Implementacja regresji liniowej jednej zmiennej w języku Python przy pomocy metody gradientu prostego.	Efekt_05
5.	Dwuklasowa i wieloklasowa regresja logistyczna. Metoda gradientu prostego dla regresji logistycznej.	Efekt_05
6.	Ewaluacja algorytmów uczenia maszynowego. Metodologia testowania. Zbiory uczący, testowy i walidacyjny. Walidacja krzyżowa. Miary jakości. Obserwacje odstające.	Efekt_06, Efekt_07, Efekt_08, Efekt_10, Efekt_11
7.	Implementacja regresji liniowej wielu zmiennych w języku Python wraz z ewaluacją otrzymanego modelu.	Efekt_05
8.	Implementacja regresji logistycznej.	Efekt_05
9.	Regresja wielomianowa. Problem nadmiernego i niedostatecznego dopasowania. Metody regularyzacji. Krzywa uczenia się. Implementacja regresji wielomianowej. Problem nadmiernego i niedostatecznego dopasowani w praktyce. Implementacja metod regularyzacji.	Efekt_05
10.	Naiwny klasyfikator bayesowski. Sposoby reprezentacji danych.	Efekt_13
11.	Algorytm k najbliższych sąsiadów.	Efekt_14
12.	Korzystanie z gotowych implementacji algorytmów na przykładzie pakietu scikit-learn. Implementacja naiwnego klasyfikatora bayesowskiego. Implementacja algorytmu k najbliższych sąsiadów.	Efekt_09, Efekt_13, Efekt_14
13.	Metody uczenia nienadzorowanego. Algorytm k średnich. Algorytm analizy głównych składowych.	Efekt_12
14.	Wprowadzenie do sieci neuronowych. Perceptron. Funkcje aktywacji. Wielowarstwowe sieci neuronowe.	Efekt_15, Efekt_17
15.	Propagacja wsteczna. Uczenie wielowarstwowych sieci neuronowych.	Efekt_16, Efekt_17
16.	Przegląd funkcji aktywacji. Wielowarstwowe sieci neuronowe w praktyce. Odmiany metody gradientu prostego. Algorytmy optymalizacji.	Efekt_16, Efekt_17
17.	Rekurencyjne sieci neuronowe. Sieci LSTM i GRU i ich implementacja.	Efekt_18, Efekt_17
18.	Splotowe sieci neuronowe i ich implementacja.	Efekt_19, Efekt_17
19.	Modele encoder-decoder. Autoencoder. Word embeddings. Tłumaczenie neuronowe.	Efekt_20
20.	Uczenie przez wzmacnianie. Podstawy systemów dialogowych.	Efekt_21

Informacje dodatkowe

Metody i formy prowadzenia zajęć
Wykład z prezentacją multimedialną wybranych zagadnień
Metoda laboratoryjna

Sposoby oceniania	Symbole EK dla modułu zajęć/przedmiotu
Sposoby oceniania	EK_1	EK_2	EK_3	EK_4	EK_5	EK_6	EK_7	EK_8	EK_9	EK_10	EK_11	EK_12	EK_13	EK_14	EK_15	EK_16	EK_17	EK_18	EK_19	EK_20	EK_21
Egzamin pisemny	x	x	x	x	x	x	x	x	x	x	x	x	x	x	x	x	x	x	x	x	x
Test	x	x	x	x	x	x	x	x	x	x	x	x	x	x	x	x	x	x	x	x	x

Kryteria oceniania wg skali stosowanej w UAM
bardzo dobry (bdb; 5,0):	powyżej 90% punktów
dobry plus (+db; 4,5):	powyżej 80% punktów
dobry (db; 4,0):	powyżej 70% punktów
dostateczny plus (+dst; 3,5):	powyżej 60% punktów
dostateczny (dst; 3,0):	powyżej 50% punktów
niedostateczny (ndst; 2,0):	50% punktów lub mniej

Literatura

Wydawnictwa książkowe

Nakład pracy studenta i punkty ECTS

Forma aktywności	Średnia liczba godzin^* na zrealizowanie aktywności
Godziny zajęć (wg planu studiów) z nauczycielem	60
Praca własna studenta:
Przygotowanie do zajęć	15
Czytanie wskazanej literatury	25
Przygotowanie pracy pisemnej, raportu, prezentacji, demonstracji, itp.
Przygotowanie projektu
Przygotowanie pracy semestralnej
Przygotowanie do egzaminu / zaliczenia	20
Praca z materiałem do samokształcenia (np. Jupter Notebook)	-30
Wykonywanie zadań domowych	-30
SUMA GODZIN	180
LICZBA PUNKTÓW ECTS DLA MODUŁU ZAJĘĆ/PRZEDMIOTU	6

* godzina (lekcyjna) oznacza 45 minut