Cel kształcenia i wykaz literatury

Główny cel kształcenia: Zdobycie wiedzy i umiejętności w zakresie zastosowań języka Python w uczeniu maszynowym.

Ogólne informacje o zajęciach: W ramach modułu omówione zostaną narzędzia i biblioteki umożliwiające realizację zadań uczenia maszynowego z wykorzystaniem języka Python.

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

1	Sebastian Raschka	Python. Uczenie maszynowe	Helion, Gliwice.	2017
2	Wes McKinney	Python w analizie danych	Helion (O’Relly), Gliwice.	2018
3	Aurélien Géron	Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow	Helion (O'Relly), Gliwice.	2018

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

1	Sebastian Raschka	Python. Uczenie maszynowe	Helion, Gliwice.	2017
2	Wes McKinney	Python w analizie danych	Helion (O’Relly), Gliwice.	2018
3	Aurélien Géron	Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow	Helion (O'Relly), Gliwice.	2018

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

Wymagania formalne: Student wpisany na 2 semestr studiów magisterskich.

Wymagania wstępne w kategorii Wiedzy: Podstawowa wiedza z zakresu metod uczenia maszynowego.

Wymagania wstępne w kategorii Umiejętności: Umiejętność programowanie w języku Python lub innym języku obiektowym (np. C++, Java).

Wymagania wstępne w kategorii Kompetencji społecznych: Uczciwość, komunikatywność, umiejętność radzenia sobie z emocjami i ze stresem, odpowiedzialność i szacunek do innych.

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	Ma wiedzę na temat metod uczenia maszynowego w języku Python.	wykład	test pisemny	K_W01+++ K_W02+++ K_U02++ K_K01++ K_K02++	P7S_KK P7S_KR P7S_UU P7S_WG
02	Potrafi wybrać odpowiednie metody do rozwiązania określonego problemu badawczego.	wykład, projekt	test pisemny, prezentacja projektu, raport pisemny	K_W01+++ K_W02++ K_U02+++ K_U14++ K_K02++ K_K05++	P7S_KR P7S_UK P7S_UU P7S_UW P7S_WG
03	Potrafi zastosować dostępne w języku Python biblioteki i narzędzia do uczenia maszynowego.	projekt	prezentacja projektu, raport pisemny	K_U02++ K_U14+++ K_K02++ K_K05+++	P7S_KR P7S_UK P7S_UU P7S_UW

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
2	TK01	Przegląd dostępnych bibliotek i narzędzi do uczenia maszynowego z wykorzystaniem języka Python.	W01, W02	MEK01 MEK02
2	TK02	Analiza matematyczna i numeryczna w języku Python.	W03	MEK01 MEK02
2	TK03	Przetwarzanie danych i wizualizacja.	W04, W05	MEK01 MEK02
2	TK04	Biblioteki języka Python wykorzystywane do klasyfikacji danych.	W06, W07	MEK01 MEK02
2	TK05	Ocena metod uczenia maszynowego i strojenie parametryczne.	W08	MEK01 MEK02
2	TK06	Zastosowanie języka Python do uczenia głębokiego.	W09, W10	MEK01 MEK02
2	TK07	Projekt mający na celu rozwiązanie określonego problemu przy użyciu języka Python i bibliotek do uczenia maszynowego.	P01-P07	MEK02 MEK03

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 2)		Godziny kontaktowe: 20.00 godz./sem.
Projekt/Seminarium (sem. 2)		Godziny kontaktowe: 15.00 godz./sem..
Konsultacje (sem. 2)
Zaliczenie (sem. 2)

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład	Ocena z testu pisemnego.
Projekt/Seminarium	Ocena uzyskana z projektu.
Ocena końcowa	Średnia ważona ocen z testu pisemnego i projektu.

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: tak

1	B. Dziadek; C. França; É. Gouveia; T. Krzeszowski; F. Martins; K. Przednowek	System for Estimation of Human Anthropometric Parameters Based on Data from Kinect v2 Depth Camera	2023
2	P. Hasiec; H. Josiński; T. Krzeszowski; W. Lindenheim-Locher; G. Paleta; M. Paszkuta; J. Rosner; A. Switoński; K. Wojciechowski	YOLOv5 Drone Detection Using Multimodal Data Registered by the Vicon System	2023
3	T. Krzeszowski; J. Rosner; A. Switonski; K. Wojciechowski; M. Zielinski	3D Tracking of Multiple Drones Based on Particle Swarm Optimization	2023
4	C. Calafate; M. Kepski; T. Krzeszowski; A. Switonski	Intelligent Sensors for Human Motion Analysis	2022
5	T. Krzeszowski; K. Przednowek	Sposób estymacji cech somatycznych, wskaźników somatycznych, komponentów somatotypu, samego somatotypu oraz komponentów składu ciała z wykorzystaniem sensora głębi	2022
6	T. Krzeszowski; K. Wiktorowicz	Identification of time series models using sparse Takagi–Sugeno fuzzy systems with reduced structure	2022
7	T. Krzeszowski; W. Paśko; K. Przednowek; E. Zadarko	Relationship between Eye Blink Frequency and Incremental Exercise among Young Healthy Men	2022
8	T. Krzeszowski; K. Przednowek; K. Wiktorowicz	Sparse regressions and particle swarm optimization in training high-order Takagi–Sugeno fuzzy systems	2021
9	T. Krzeszowski; K. Wiktorowicz	Training Sparse Fuzzy Classifiers Using Metaheuristic Optimization	2021
10	T. Krzeszowski	Member of the Topic Editor team (Topics Board) of the Sensors journal (MDPI)	2020
11	T. Krzeszowski; K. Przednowek	Opracowanie metod do estymacji parametrów antropometrycznych człowieka na podstawie danych z kamery głębokości	2020
12	T. Krzeszowski; K. Wiktorowicz	Approximation of two-variable functions using high-order Takagi–Sugeno fuzzy systems, sparse regressions, and metaheuristic optimization	2020
13	T. Krzeszowski; K. Wiktorowicz	Combined Regularized Discriminant Analysis and Swarm Intelligence Techniques for Gait Recognition	2020
14	T. Krzeszowski; K. Wiktorowicz	Training High-Order Takagi-Sugeno Fuzzy Systems Using Batch Least Squares and Particle Swarm Optimization	2020
15	H. Josiński; T. Krzeszowski; B. Kwolek; A. Michalczuk; A. Świtoński; K. Wojciechowski	Calibrated and synchronized multi-view video and motion capture dataset for evaluation of gait recognition	2019
16	J. Marquez-Barja; C. Calafate; J. Cano; F. Fabra ; T. Krzeszowski; P. Manzoni; J. Wubben	A vision-based system for autonomous vertical landing of unmanned aerial vehicles	2019
17	J. Marquez-Barja; C. Calafate; J. Cano; F. Fabra ; T. Krzeszowski; P. Manzoni; J. Wubben	Accurate Landing of Unmanned Aerial Vehicles Using Ground Pattern Recognition	2019
18	J. Iskra; T. Krzeszowski; K. Przednowek; K. Wiktorowicz	A web-oriented expert system for planning hurdles race training programmes	2019
19	J. Iskra; T. Krzeszowski; K. Przednowek; K. Wiktorowicz	The Application of Multiview Human Body Tracking on the Example of Hurdle Clearance	2019
20	J. Iskra; T. Krzeszowski; K. Przednowek; K. Wiktorowicz	Wspomaganie procesu treningowego w biegach przez płotki z wykorzystaniem modelowania komputerowego	2019
21	T. Krzeszowski	Member of the Program Committee of the 7th International Conference on Sport Sciences Research and Technology Support	2019