Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Uczenie maszynowe
Tok studiów:
2019/2020
Kod:
HIFS-2-117-s
Wydział:
Humanistyczny
Poziom studiów:
Studia II stopnia
Specjalność:
-
Kierunek:
Informatyka Społeczna
Semestr:
1
Profil:
Praktyczny (P)
Język wykładowy:
Polski
Forma studiów:
Stacjonarne
Strona www:
 
Prowadzący moduł:
dr hab. inż. Kowalski Piotr Andrzej (pkowal@agh.edu.pl)
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

Celem zajęć jest zapoznanie studentów z podstawowymi metodami uczenia maszynowego oraz przykładami ich użycia w rozmaitych zagadnieniach aplikacyjnych.

Opis efektów uczenia się dla modułu zajęć
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Powiązania z KEU Sposób weryfikacji i oceny efektów uczenia się osiągniętych przez studenta w ramach poszczególnych form zajęć i dla całego modułu zajęć
Wiedza: zna i rozumie
M_W001 Student posiada elementarną wiedzę w zakresie praktycznych aspektów stosowania procedur uczenia maszynowego. IFS2P_W12, IFS2P_W09, IFS2P_W11 Sprawozdanie
Umiejętności: potrafi
M_U001 Student potrafi zastosować podstawowe narzędzia uczenia maszynowego w problemach technicznych oraz podsumować wyniki swojej pracy w postaci zwięzłej prezentacji lub/i referatu. IFS2P_U10, IFS2P_U11, IFS2P_U12 Prezentacja
M_U002 Student umie, na podstawie uwarunkowań problemu, wybrać odpowiednią metodę/algorytm. IFS2P_U12 Sprawozdanie
Kompetencje społeczne: jest gotów do
M_K001 Student ma świadomość znaczenia interdyscyplinarnej wiedzy przy rozwiązywaniu problemów poznawczych i praktycznych. IFS2P_K02 Aktywność na zajęciach
Liczba godzin zajęć w ramach poszczególnych form zajęć:
SUMA (godz.)
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
45 0 0 30 0 15 0 0 0 0 0 0
Matryca kierunkowych efektów uczenia się w odniesieniu do form zajęć i sposobu zaliczenia, które pozwalają na ich uzyskanie
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Forma zajęć dydaktycznych
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
Wiedza
M_W001 Student posiada elementarną wiedzę w zakresie praktycznych aspektów stosowania procedur uczenia maszynowego. - - + - + - - - - - -
Umiejętności
M_U001 Student potrafi zastosować podstawowe narzędzia uczenia maszynowego w problemach technicznych oraz podsumować wyniki swojej pracy w postaci zwięzłej prezentacji lub/i referatu. - - + - + - - - - - -
M_U002 Student umie, na podstawie uwarunkowań problemu, wybrać odpowiednią metodę/algorytm. - - + - + - - - - - -
Kompetencje społeczne
M_K001 Student ma świadomość znaczenia interdyscyplinarnej wiedzy przy rozwiązywaniu problemów poznawczych i praktycznych. - - + - + - - - - - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 100 godz
Punkty ECTS za moduł 4 ECTS
Udział w zajęciach dydaktycznych/praktyka 45 godz
Samodzielne studiowanie tematyki zajęć 50 godz
Egzamin lub kolokwium zaliczeniowe 2 godz
Dodatkowe godziny kontaktowe 3 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Ćwiczenia laboratoryjne (30h):
Laboratorium ML

Ćwiczenia laboratoryjne ilustrujące treść konwersatorium i pozwalające na opanowanie umiejętności związanych z praktycznym wykorzystaniem metod i algorytmów uczenia maszynowego.
Poszczególne zajęcia będą służyły praktyczemu poznaniu tematów:
klasyfikacja danych,
klasteryzacja danych,
regresja liniowa oraz logistyczna,
redukcja danych,
wizualizacja danych,
modelowanie zjawisk rzeczywistych,
uczenie algorytmów,
uczenie ze wzmocnieniem,
zagadnienia zastosowania głębokich sieci neuronowych

Konwersatorium (15h):
Konwersatorium

W trakcie konwersatorium omawiane będą zagadnienia związane z następującymi tematami:
klasyfikacja danych,
klasteryzacja danych,
regresja liniowa oraz logistyczna,
redukcja danych,
wizualizacja danych,
modelowanie zjawisk rzeczywistych,
uczenie algorytmów,
uczenie ze wzmocnieniem,
zagadnienia zastosowania głębokich sieci neuronowych

Pozostałe informacje
Metody i techniki kształcenia:
  • Ćwiczenia laboratoryjne: W trakcie zajęć laboratoryjnych studenci samodzielnie rozwiązują zadany problem praktyczny, dobierając odpowiednie narzędzia. Prowadzący stymuluje grupę do refleksji nad problemem, tak by otrzymane wyniki miały wysoką wartość merytoryczną.
  • Konwersatorium: Nie określono
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Warunkiem zaliczenia jest wykonanie sprawozdań z ćwiczeń. Uzyskanie zaliczenia w drugim terminie (sesja) i trzecim (sesja poprawkowa) w tej samej formie i na tych samych zasadach.

Zasady udziału w zajęciach:
  • Ćwiczenia laboratoryjne:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Studenci wykonują ćwiczenia laboratoryjne zgodnie z materiałami udostępnionymi przez prowadzącego. Student jest zobowiązany do przygotowania się w przedmiocie wykonywanego ćwiczenia, co może zostać zweryfikowane kolokwium w formie ustnej lub pisemnej. Zaliczenie zajęć odbywa się na podstawie zaprezentowania rozwiązania postawionego problemu. Zaliczenie modułu jest możliwe po zaliczeniu wszystkich zajęć laboratoryjnych.
  • Konwersatorium:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Nie określono
Sposób obliczania oceny końcowej:

Średnia ważona sprawozdań z ćwiczeń wykonanych w trakcie laboratorium (waga 2/3) oraz konwersatorium obejmującego rozwiązanie i przedstawienie wybranego problemu z użyciem metod uczenia maszynowego (waga 1/3).

Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach:

Zaległości student może nadrobić w oparciu o literaturę zaleconą przez wykładowcę. Powstałe zaległości student zalicza w terminie ustalonym z wykładowcą.

Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :

brak

Zalecana literatura i pomoce naukowe:

Raschka S. PYTHON. UCZENIE MASZYNOWE, Warszawa, Wydawnictwo Helion,Wydawnictwo Helion.
GOODFELLOW I., Deep Learning. Systemy uczące się, Warszawa, 2017, Wydawnictwo Naukowe PWN.
Rutkowski L., Metody i techniki sztucznej inteligencji, Warszawa, 2011, PWN.
Arabas J., Wykłady z algorytmów ewolucyjnych, Warszawa, 2004, WNT.
Piegat A., Modelowanie i sterowanie rozmyte, Warszawa, 1999, EXIT.
Michalewicz Z., Algorytmy genetyczne + struktury danych = programy ewolucyjne, Warszawa, 2001, WNT.

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

- M. Kusy and P. A. Kowalski. “Weighted Probabilistic Neural Network”. Information Sciences vol. 430–43, pp. 65–76, 2018.
- P.A. Kowalski, P. Kulczycki, “Interval Probabilistic Neural Network”, Neural Computing and Applications, vol. 28(4), pp. 817–834, 2017.
- P.A. Kowalski, P. Kulczycki, “A Complete Algorithm for the Reduction of Pattern Data in the Classification of Interval Information”, International Journal of Computational Methods, vol. 13(3), pp. 1650018-1 – 1650018-26, 2016.
- M. Charytanowicz, P. Kulczycki, P. A. Kowalski, S. Lukasik, and R. Czabak-Garbacz. “Classifica-tion of Wheat Grains Using X–ray Images”. Computers and Electronics in Agriculture vol. 144, pp. 260–268, 2018.
- P. Kulczycki, M. Charytanowicz, P.A. Kowalski, S. Lukasik, “The Complete Gradient Clustering Algorithm: properties in practical applications”, Journal of Applied Statistics, vol. 39(6), pp. 1211-1224, 2012.
- P. Kulczycki, P.A. Kowalski, “Bayes Classification for Nonstationary Patterns”, International Journal of Computational Methods, vol. 12(2), pp.1550008-1-1550008-19, 2015.

Doświadczenie praktyczne:
Ekspert w Ekspert we współfinansowanym przez UE projekcie “Foresight: automatic control, robotics, measurement technology”.
Ekspert w projekcie współfinansowanym przez UE “Technology Perspective Krakow-Malopolska 2020”.

Informacje dodatkowe:

Dopuszczalna jest jedna nieobecność na zajęciach laboratoryjnych i konwersatoriach. Zajęcia można odrobić – w miarę dostępności miejsc – w innej grupie projektowej/laboratoryjnej. Student zobligowany jest w najkrótszym możliwym terminie zgłosić się do prowadzącego zajęcia w celu ustalenia terminu odrobienia zajęć

W przypadku niemożliwości odrobienia zajęć lub większej liczby nieobecności istnieje możliwość uzupełnienia nieobecności w formie indywidualnego zadania domowego.

Student który bez usprawiedliwienia opuścił więcej niż 50% zajęć i jego cząstkowe wyniki w nauce były negatywne może zostać pozbawiony przez prowadzącego zajęcia możliwości wyrównania zaległości. Od takiej decyzji prowadzącego zajęcia student może się odwołać do prowadzącego przedmiot i/lub Dziekana.