Algorytmy uczenia maszynowego
Sylabus zajęć
Okres
Semestr 2
|
Forma zajęć / liczba godzin / forma zaliczenia
|
Liczba punktów ECTS
6.0
|
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. |
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 |
Metody i formy prowadzenia zajęć | |
---|---|
Wykład z prezentacją multimedialną wybranych zagadnień | |
Metoda laboratoryjna |
Sposoby oceniania | Symbole EK dla modułu zajęć/przedmiotu | |||||||||||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
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 |
Wydawnictwa książkowe
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