Cel kształcenia i wykaz literatury

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

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

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

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

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

Literatura do samodzielnego studiowania

1

Oliver Theobald

Machine Learning For Absolute Beginners

by Oliver Theobald.

2017

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

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.

Efekty kształcenia dla zajęć

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).

Treści kształcenia dla zajęć

Sem.	TK	Treści kształcenia	Realizowane na	MEK
3	TK01	Podstawy sztucznej inteligencji i uczenia maszynowego na przykładzie sztucznych sieci neuronowych.	W01-W12, L01-L06, P01-P15	MEK01 MEK02 MEK03 MEK04
3	TK02	Omówienie innych algorytmów uczenia maszynowego np. drzew decyzyjnych, algorytmów do klasteryzacji danych na przykładzie danych medycznych.	W13-W20,L07-L14, P01-P15	MEK01 MEK02 MEK03 MEK04
3	TK03	Analiza wybranych zbiorów danych medycznych przy wykorzystaniu najnowszych algorytmów uczenia maszynowego tj. np. konwolucyjne sieci neuronowe.	W21-W28, L15-L30, P01-P15	MEK01 MEK02 MEK03 MEK04
3	TK04	Omówienie najnowszych trendów w dziedzinie uczenia maszynowego i analizy danych	W29-W30, P01-P15	MEK01 MEK02 MEK03 MEK04

Nakład pracy studenta

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.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

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

Przykładowe zadania

Wymagane podczas egzaminu/zaliczenia
(-)

Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)

Inne
(-)

Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : nie

Treści zajęć powiazane są z prowadzonymi badaniami naukowymi: nie