Uczenie maszynowe II 1100-UM2
Program zajęć:
1. Użyteczne biblioteki Python: numpy, matplotlib, pandas,
2. Konfiguracja środowiska do pracy: kontenery, serwer Jupyter,
Visual Studio Code, zdalny dostęp do maszyny obliczeniowej
3. Przypomnienie podstawowych pojęć z dziedziny uczenia maszynowego
4. Trening i zastosowanie sieci w pełni połączonych
5. Trening i zastosowanie sieci ze splotem (konwolucyjnych)
6. Sieci samokodujące: AE, VAE i CVAE
7. Sieci generatywne
8. Analiza sekwencji: sieci rekurencyjne
9. Analiza sekwencji: architektura transformatora
Przewidywany nakład pracy: 120 h
- uczestnictwo w zajęciach: 75 h
- przygotowanie do zajęć i rozwiązywanie zadań domowych: 20 h
- przygotowanie projektu zaliczeniowego 25h
Kierunek podstawowy MISMaP
informatyka
matematyka
Przedmiot dedykowany programowi
Tryb prowadzenia
Założenia (opisowo)
- ma do dyspozycji laptop - zajęcia będą prowadzone w standardowej sali wykładowej. Laptop może mieć dowolny system operacyjny, ale wsparcie Wykładowcy jest zapewnione głównie dla systemów typu Linux i w ograniczonym zakresie Windows
- umie programować w języku Python na średnim poziomie - np. da radę napisać nową klasę w języku Python posiłkując się kodem innej klasy
- zna podstawowe pojęcia związane z uczeniem maszynowym i statystyczną analizą danych na poziomie odpowiadającym materiałowi przedmiotu Uczenie maszynowe 1100-3BN17. Formalne zaliczenie przedmiotu Uczenie maszynowe nie jest wymagane.
Koordynatorzy przedmiotu
Efekty kształcenia
Osoba uczestnicząca:
zna i rozumie:
1. zaawansowane koncepcje związane z uczeniem maszynowym i sztucznymi sieciami neuronowymi
2. techniki informatyczne niezbędne przy rozwiązywaniu problemów fizycznych i analizy danych
potrafi stosować:
1. biblioteki numeryczne, bazy danych i zaawansowane oprogramowanie używane w analizie danych fizycznych i innego typu
szczerze docenia:
1. systematyczną pracę
2. terminowe wykonywanie zadań
3. tworzenie starannego i czytelnego kodu
4. konieczność samodzielnego zapoznawania się z literaturą dotyczącą zagadnień nad którymi pracuje
Kryteria oceniania
Ocena końcowa zostanie wystawiona na podstawie Projektu rozwiązującego zagadnienie zaproponowane przez osobę uczestniczącą.
Wymagania do oceny:
1. obowiązkowe prace domowe.
Niewykonanie wszystkich prac domowych skutkuje obniżeniem oceny końcowej o 0.5 punktu
2. obowiązkowa obecność na zajęciach - dopuszczalne są dwie nieobecności.
Nieusprawiedliwione przekroczenie limitu nieobecności skutkuje obniżeniem oceny końcowej o 2.0 punkty
3. wykonanie Projektu z godnie z harmonogramem:
- definicja Projektu i konsultacja jego wykonywalności - koniec marca
- przygotowanie notatnika Jupyter z wstępną obróbką danych - koniec kwietnia
- przygotowanie notatnika z finalną wersją rozwiązania - koniec maja
Niedotrzymanie każdego z trzech punktów harmonogramu skutkuje stratą 0.5 punktu oceny, tzn. niedotrzymanie wszystkich trzech punktów harmonogramu powoduje, że maksymalna ocena końcowa może wynieść 5 - 3*0.5 = 3.5
Literatura
1. Dive into Deep learning: link
2. Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow:link
3. Deep Learning: link
4. An Introduction to Statistical Learning:link
5. The Elements of Statistical Learning:link
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: