Uczenie maszynowe I-SM3O>UM
Przedmiot ma na celu wprowadzenie studentów studia magisterskich kierunku informatyka w zaawansowane metody uczenia maszynowego oraz ich zastosowania w praktyce. Studenci poznają główne paradygmaty uczenia maszynowego, takie jak uczenie nadzorowane, nienadzorowane i ze wzmocnieniem, oraz algorytmy i techniki z nimi związane. Poprzez projekty praktyczne i analizę przypadków zastosowań uczenia maszynowego w różnych dziedzinach, studenci zdobędą umiejętności potrzebne do projektowania, implementacji i oceny modeli uczenia maszynowego.
Koordynatorzy przedmiotu
<b>Ocena końcowa</b>
<b>Wymagania wstępne</b>
<b>Literatura podstawowa</b>
- Ian Goodfellow, Yoshua Bengio, Aaron Courville: Deep Learning, MIT Press, 2016
<b>Literatura uzupełniająca</b>
- Christopher M. Bishop: Pattern Recognition and Machine Learning, Springer, 2007
- Kevin P. Murphy “Machine Learning: A probabilistic perspective”, MIT Press, 2012
<b>Inne informacje</b>
Efekty kształcenia
Wiedza
Posiada rozszerzoną i pogłębioną wiedzę w zakresie niektórych działów matematyki, obejmującą elementy teorii mnogości, matematyki dyskretnej i stosowanej, w tym metody matematyczne do analizy i syntezy algorytmów przetwarzania sygnałów cyfrowych i algorytmów przetwarzania obrazu.
Powiązane efekty kierunkowe:
IF2A_W01
Metody weryfikacji:
Kolokwium:testy
Ocena aktywności na zajęciach:zadania wyk. na zajęciach
Zadania domowe
Wiedza
Ma szeroką wiedzę obejmującą metody analizy i przetwarzania informacji wykorzystywane w inteligencji obliczeniowej i inżynierii wiedzy.
Powiązane efekty kierunkowe:
IF2A_W05
Metody weryfikacji:
Kolokwium:testy
Ocena aktywności na zajęciach:zadania wyk. na zajęciach
Zadania domowe
Wiedza
Zna zaawansowane pojęcia i narzędzia programistyczne związane z tworzeniem grafiki komputerowej i multimedia
Powiązane efekty kierunkowe:
IF2A_W09
Metody weryfikacji:
Kolokwium:testy
Ocena aktywności na zajęciach:zadania wyk. na zajęciach
Zadania domowe
Umiejętności
Posiada umiejętność pozyskiwania informacji z literatury, źródeł internetowych, baz danych oraz z innych źródeł; potrafi przy tym wykonać analizę, interpretację i filtrowanie informacji w celu wyciągnięcia wniosków i sformułowania opinii oraz wykorzystać to w zagadnieniach tworzenia systemów informatycznych.
Powiązane efekty kierunkowe:
IF2A_U01
Metody weryfikacji:
Kolokwium:testy
Ocena aktywności na zajęciach:zadania wyk. na zajęciach
Zadania domowe
Umiejętności
Umie stworzyć model matematyczny w dziedzinie informatyki i dokonać analizy opisu formalnego
Powiązane efekty kierunkowe:
IF2A_U07
Metody weryfikacji:
Kolokwium:testy
Ocena aktywności na zajęciach:zadania wyk. na zajęciach
Zadania domowe
Umiejętności
Potrafi efektywnie wykorzystywać różne metody eksploracji i manipulowania danymi w systemach baz danych.
Powiązane efekty kierunkowe:
IF2A_U22
Metody weryfikacji:
Kolokwium:testy
Ocena aktywności na zajęciach:zadania wyk. na zajęciach
Zadania domowe
Kompetencje społeczne
Potrafi myśleć i działać w sposób kreatywny i przedsiębiorczy
Powiązane efekty kierunkowe:
IF2A_K06
Metody weryfikacji:
Ocena aktywności na zajęciach:sprawdzana na bieżąco w trakcie zajęć
Kryteria oceniania
Uzyskanie pozytywnego wyniku punktowego z kolejnych zadań (problemów programistycznych) przewidzianych w harmonogramie na podtawie przygotowanych i obronionych sprawozdań. Uzyskanie pozytywnego wyniku testów.
Literatura
• Wykaz literatury podstawowej:
1. Ian Goodfellow, Yoshua Bengio, Aaron Courville: Deep Learning, MIT Press, 2016
• Wykaz literatury uzupełniającej:
1. Christopher M. Bishop: Pattern Recognition and Machine Learning, Springer, 2007
2. Kevin P. Murphy “Machine Learning: A probabilistic perspective”, MIT Press, 2012