Uczenie maszynowe 1100-3BN17
Program:
1. Wstęp, regresja liniowa i metoda najmniejszych kwadratów
2. Klasyfikacja i regresja logistyczna
3. Algorytmy generatywne
4. Maszyny wektorów wspierających
5. Wstęp o sieciach neuronowych, sieci neuronowe liniowe
6. Perceptron Rosenblatta
7. Nieliniowości różniczkowalne i metoda wstecznej propagacji błędu
8. Głębokie sieci neuronowe
9. Uczenie bez nadzoru
10. Uczenie ze wzmocnieniem
Zagadnienia omawiane teoretycznie na wykładzie będą ilustrowane na ćwiczeniach praktycznymi przykładami w języku python.
Kierunek podstawowy MISMaP
matematyka
fizyka
Tryb prowadzenia
Założenia (opisowo)
Koordynatorzy przedmiotu
Efekty kształcenia
Wiedza:
1. Student zna podstawowe koncepcje związane z uczeniem maszynowym i sztucznymi sieciami neuronowymi (KW01);
2. posiada wiedzę w zakresie matematyki wyższej oraz technik informatycznych niezbędną do rozwiązywania problemów fizycznych o średnim poziomie złożoności za pomocą metod uczenia maszynowego (KW02).
Umiejętności:
1. Student potrafi zastosować podejście uczenia maszynowego lub sztuczną sieć neuronową do praktycznego problemu (KU01);
2. potrafi wykonywać proste eksperymenty, obserwacje, obliczenia numeryczne i symulacje komputerowe z wykorzystaniem standardowych pakietów oprogramowania oraz krytycznie analizować wyniki pomiarów, obserwacji i obliczeń wraz z oceną dokładności wyników (KU03).
Postawy:
1. Student docenia znaczenie metod uczenia maszynowego we współczesnych metodach analizy danych (K_K06);
2. docenia znacznie pracy własnej w pogłębianiu wiedzy oraz umiejętności z obszaru uczenia maszynowego (K_K01);
3. potrafi odpowiednio określić priorytety służące realizacji określonych zadań i przedsięwzięć o zróżnicowanym charakterze (K_K03).
Przewidywany nakład pracy studenta:
Uczestnictwo w zajęciach: 60 h
Przygotowanie do zajęć i rozwiązywanie zadań domowych: 20 h
Przygotowanie do egzaminu 10 h
Przygotowanie projektu zaliczeniowego 20h
Kryteria oceniania
Ocena jest średnią z wyniku testu dotyczącego zagadnień teoretycznych oraz oceny z kolokwiów.
Obecność na wykładzie nie jest obowiązkowa.
Dopuszczalne są dwie nieobecności na ćwiczeniach.
Literatura
1. R. Tadeusiewicz, Sieci neuronowe.
2. J.Hertz, A. Krogh, R. Palmer, Wstęp do teorii obliczeń neuronowych.
3. Russel Norvig, Artificial intelligence a modern approach.
4. artykuły polecane w czasie zajęć
Więcej informacji
Więcej informacji o poziomie przedmiotu, roku studiów (i/lub semestrze) w którym się odbywa, o rodzaju i liczbie godzin zajęć - szukaj w planach studiów odpowiednich programów. Ten przedmiot jest związany z programami:
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: