Cykl kształcenia: 2022/2023
Nazwa jednostki prowadzącej studia: Wydział Matematyki i Fizyki Stosowanej (p.prakt)
Nazwa kierunku studiów: Inżynieria i analiza danych
Obszar kształcenia: nauki ścisłe
Profil studiów: praktyczny
Poziom studiów: drugiego stopnia
Forma studiów: stacjonarne
Specjalności na kierunku:
Tytuł otrzymywany po ukończeniu studiów: magister inżynier
Nazwa jednostki prowadzącej zajęcia: Katedra Fizyki i Inżynierii Medycznej
Kod zajęć: 14811
Status zajęć: obowiązkowy dla programu
Układ zajęć w planie studiów: sem: 3 / W30 L30 P15 / 3 ECTS / E
Język wykładowy: polski
Imię i nazwisko koordynatora: dr inż. Marcin Kowalik
Główny cel kształcenia: Nabycie wiedzy o algorytmach sztucznej inteligencji wykorzystywancyh do analizowania i wnioskowania na bazie danych medycznych. Zdobycie doświadczenia w analizie rzeczywistych danych medycznych.
Ogólne informacje o zajęciach: Nabycie wiedzy o algorytmach sztucznej inteligencji wykorzystywancyh do analizowania i wnioskowania na bazie danych medycznych. Zdobycie doświadczenia w analizie rzeczywistych danych medycznych.
Materiały dydaktyczne: Dostępne w wersji online na stronie uczelnianego systemu do e-learningu
1 | Andreas C. MĂźller, Sarah Guido | Introduction to Machine Learning with Python | O'Reilly Media . | 2016 |
2 | Stuart Russell and Peter Norvig | Artificial Intelligence: A Modern Approach | Prentice Hall. | 2020 |
3 | Aurelien Geron | Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems | O'Reilly Media . | 2019 |
4 | Andriy Burkov | The Hundred-Page Machine Learning Book | Andriy Burkov, Hard Cover ed. edition. | 2019 |
5 | François Chollet | Deep Learning with Python | Manning. | 2017 |
6 | Ian Goodfellow and Yoshua Bengio and Aaron Courville | Deep Learning | MIT Press http://www.deeplearningbook.org. | |
7 | Ranschaert, Erik R., Morozov, Sergey, Algra, Paul R. (Eds.) | Artificial Intelligence in Medical Imaging | Springer. | 2019 |
1 | Andreas C. Muller, Sarah Guido | Introduction to Machine Learning with Python | O'Reilly Media . | 2016 |
2 | Ian Goodfellow and Yoshua Bengio and Aaron Courville | Deep Learning | MIT Press http://www.deeplearningbook.org. | 2016 |
1 | Oliver Theobald | Machine Learning For Absolute Beginners | by Oliver Theobald. | 2017 |
Wymagania formalne: Zgodne z regulaminem studiów
Wymagania wstępne w kategorii Wiedzy: Posiada podstawową znajomość dowolnego języka progamowania i potrafi korzystać z materiałów w języku angielskim
Wymagania wstępne w kategorii Umiejętności: Wykorzystanie wiedzy z matematyki, statystyki, fizyki. Umiejętność pozyskiwania informacji ze wskazanych źródeł. Potrafi zaprojektować i napisać prosty program komputerowy do analizy danych.
Wymagania wstępne w kategorii Kompetencji społecznych: Uczciwość, odpowiedzialność, wytrwałość, ciekawość poznawcza, kreatywność, kultura osobista, szacunek dla innych ludzi, gotowość i umiejętność współpracy z innymi w celu rozwiązania zadanego problemu.
MEK | Student, który zaliczył zajęcia | Formy zajęć/metody dydaktyczne prowadzące do osiągnięcia danego efektu kształcenia | Metody weryfikacji każdego z wymienionych efektów kształcenia | Związki z KEK | Związki z PRK |
---|---|---|---|---|---|
01 | Zna podstawowe metody uczenia maszynowego wykorzystywanego do analizy danych, rozumie ich zasadę działania, potrafi je wykorzystać do analizy otrzymanego zbioru danych | wykład, laboratorium, projekt | egzamin cz. pisemna, sprawozdanie z laboratorium, prezentacja projektu z wybranego zagadnienia |
K_W01+ K_W02+ K_W03+ K_W17+ K_U09+ K_U10+ K_U11+ K_K01+ |
P7S_KK P7S_UW P7S_WG P7S_WK |
02 | Zna i potrafi efektywnie korzystać ze specjalistycznych bibliotek do uczenia maszynowego wykorzystujących do obliczeń CPU oraz GPU | wykład, laboratorium, projekt | sprawozdanie z wykonanego z laboratorium, egzamin, prezentacja projektu z wybranego zagadnienia |
K_W04+++ K_W06+++ K_W07+++ K_W08++ K_U10++ |
P7S_UW P7S_WG |
03 | Potrafi przeanalizować zbiór danych przez dobranie odpowiedniego algorytmu uczenia maszynowego oraz wykonać na jego bazie wymaganej predykcji wykorzystując do tego np. język programowania Python i biblioteki do uczenia maszynowego. | wykład, laboratorium, projekt | Sprawozdanie z laboratorium, egzamin, prezentacja projektu z wybranego zagadnienia |
K_W05+ K_W08++ K_U06+ K_U07+++ K_U08+++ K_K02++ |
P7S_KK P7S_KO P7S_UW P7S_WG |
04 | Potrafi korzystać z dokumentacji w języku angielskim | laboratorium, projekt | sprawozdanie z laboratorium, prezentacja projektu z wybranego zagadnienia |
K_W12+ |
P7S_WG |
Uwaga: W zależności od sytuacji epidemicznej, jeżeli nie będzie możliwości weryfikacji osiągniętych efektów uczenia się określonych w programie studiów w sposób stacjonarny w szczególności zaliczenia i egzaminy kończące określone zajęcia będą mogły się odbywać przy użyciu środków komunikacji elektronicznej (w sposób zdalny).
Sem. | TK | Treści kształcenia | Realizowane na | MEK |
---|---|---|---|---|
3 | TK01 | W01-W12, L01-L06, P01-P15 | MEK01 MEK02 MEK03 MEK04 | |
3 | TK02 | W13-W20,L07-L14, P01-P15 | MEK01 MEK02 MEK03 MEK04 | |
3 | TK03 | W21-W28, L15-L30, P01-P15 | MEK01 MEK02 MEK03 MEK04 | |
3 | TK04 | W29-W30, P01-P15 | MEK01 MEK02 MEK03 MEK04 |
Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
---|---|---|---|
Wykład (sem. 3) | Przygotowanie do kolokwium:
1.00 godz./sem. |
Godziny kontaktowe:
30.00 godz./sem. |
Uzupełnienie/studiowanie notatek:
1.00 godz./sem. Studiowanie zalecanej literatury: 1.00 godz./sem. |
Laboratorium (sem. 3) | Przygotowanie do laboratorium:
1.00 godz./sem. Przygotowanie do kolokwium: 1.00 godz./sem. |
Godziny kontaktowe:
30.00 godz./sem. |
|
Projekt/Seminarium (sem. 3) | Godziny kontaktowe:
15.00 godz./sem.. |
Wykonanie projektu/dokumentacji/raportu:
1.00 godz./sem. Przygotowanie do prezentacji: 1.00 godz./sem. |
|
Konsultacje (sem. 3) | Przygotowanie do konsultacji:
1.00 godz./sem. |
Udział w konsultacjach:
1.00 godz./sem. |
|
Egzamin (sem. 3) | Przygotowanie do egzaminu:
5.00 godz./sem. |
Egzamin pisemny:
1.00 godz./sem. |
Forma zajęć | Sposób wystawiania oceny podsumowującej |
---|---|
Wykład | Na podstawie egzaminu |
Laboratorium | Na podstawie oddanych sprawozdań |
Projekt/Seminarium | Na podstawie oddanego projektu |
Ocena końcowa | 35 pkt ocena z egzaminu, 35 pkt ocena z laboratoriów, 30 pkt projekt |
Wymagane podczas egzaminu/zaliczenia
(-)
Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)
Inne
(-)
Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : nie