Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Analiza danych i uczenie maszynowe
Tok studiów:
2019/2020
Kod:
HNKT-1-606-s
Wydział:
Humanistyczny
Poziom studiów:
Studia I stopnia
Specjalność:
-
Kierunek:
Nowoczesne technologie w kryminalistyce
Semestr:
6
Profil:
Ogólnoakademicki (A)
Język wykładowy:
Polski
Forma studiów:
Stacjonarne
Prowadzący moduł:
Wielgosz Maciej (wielgosz@agh.edu.pl)
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

W trakcie realizacji modułu przedstawione zostaną techniki i metody uczenia maszynowego, ze szczególnym uwzględnieniem bieżących trendów oraz kwestii dotyczących analizy danych pochodzących z różnych źródeł. Studenci zachęcani będą do udziału w dyskusjach, a praktyczną znajomość przedstawianych zagadnień potwierdzą realizując w niewielkich grupach projekty.

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 Zna specyfikę oraz dobre praktyki pracy z danymi pochodzącymi z różnych źródeł. NKT1A_W09, NKT1A_W05 Udział w dyskusji,
Aktywność na zajęciach
M_W002 Zna metody i techniki uczenia maszynowego i ich zastosowanie w analizie danych. NKT1A_W09, NKT1A_W05 Udział w dyskusji,
Aktywność na zajęciach
Umiejętności: potrafi
M_U001 Umie rozwiązywać zadane problemy poprzez dobór odpowiednich algorytmów uczenia maszynowego i ich wdrożenie z użyciem dostępnych bibliotek lub narzędzi wysokiego poziomu. NKT1A_U04, NKT1A_U06, NKT1A_U07, NKT1A_U08 Projekt
Kompetencje społeczne: jest gotów do
M_K001 Rozumie znaczenie, korzyści i trudności związane z łączeniem danych pochodzących z różnych źródeł. NKT1A_K04 Udział w dyskusji,
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
56 28 0 0 28 0 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 Zna specyfikę oraz dobre praktyki pracy z danymi pochodzącymi z różnych źródeł. + - - + - - - - - - -
M_W002 Zna metody i techniki uczenia maszynowego i ich zastosowanie w analizie danych. + - - + - - - - - - -
Umiejętności
M_U001 Umie rozwiązywać zadane problemy poprzez dobór odpowiednich algorytmów uczenia maszynowego i ich wdrożenie z użyciem dostępnych bibliotek lub narzędzi wysokiego poziomu. - - - + - - - - - - -
Kompetencje społeczne
M_K001 Rozumie znaczenie, korzyści i trudności związane z łączeniem danych pochodzących z różnych źródeł. + - - - - - - - - - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 136 godz
Punkty ECTS za moduł 5 ECTS
Udział w zajęciach dydaktycznych/praktyka 56 godz
Przygotowanie do zajęć 15 godz
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 30 godz
Samodzielne studiowanie tematyki zajęć 30 godz
Dodatkowe godziny kontaktowe 5 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Wykład (28h):
-
Ćwiczenia projektowe (28h):
-
Pozostałe informacje
Metody i techniki kształcenia:
  • Wykład: Treści prezentowane na wykładzie są przekazywane w formie prezentacji multimedialnej w połączeniu z klasycznym wykładem tablicowym wzbogaconymi o pokazy odnoszące się do prezentowanych zagadnień.
  • Ćwiczenia projektowe: Nie określono
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Wykonanie projektu.

Zasady udziału w zajęciach:
  • Wykład:
    – Obecność obowiązkowa: Nie
    – Zasady udziału w zajęciach: Studenci uczestniczą w zajęciach poznając kolejne treści nauczania zgodnie z syllabusem przedmiotu. Studenci winni na bieżąco zadawać pytania i wyjaśniać wątpliwości. Rejestracja audiowizualna wykładu wymaga zgody prowadzącego.
  • Ćwiczenia projektowe:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Nie określono
Sposób obliczania oceny końcowej:

Równoważna ocenie z projektu.

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

Udział w zajęciach jest nieobowiązkowy.

Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :

Podstawowa znajomość języka Python.

Zalecana literatura i pomoce naukowe:

Nie podano zalecanej literatury lub pomocy naukowych.

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

Nie podano dodatkowych publikacji

Informacje dodatkowe:

Brak