Cykl kształcenia: 2024/2025
Nazwa jednostki prowadzącej studia: Wydział Elektrotechniki i Informatyki
Nazwa kierunku studiów: Informatyka
Obszar kształcenia: nauki techniczne
Profil studiów: ogólnoakademicki
Poziom studiów: drugiego stopnia
Forma studiów: stacjonarne
Specjalności na kierunku: H - Cyberbezpieczeństwo i technologie chmurowe, I - Inżynieria inteligentnych systemów informatycznych, S - Systemy i sieci komputerowe
Tytuł otrzymywany po ukończeniu studiów: magister inżynier
Nazwa jednostki prowadzącej zajęcia: Katedra Informatyki i Automatyki
Kod zajęć: 15962
Status zajęć: obowiązkowy dla specjalności I - Inżynieria inteligentnych systemów informatycznych
Układ zajęć w planie studiów: sem: 2 / W20 P15 / 3 ECTS / Z
Język wykładowy: polski
Imię i nazwisko koordynatora: dr inż. prof. PRz Tomasz Krzeszowski
Terminy konsultacji koordynatora: informacja na stronie KIiA: https://office.kia.prz.edu.pl
semestr 2: mgr inż. Piotr Woźniak
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.
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 |
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 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.
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).
Sem. | TK | Treści kształcenia | Realizowane na | MEK |
---|---|---|---|---|
2 | TK01 | W01, W02 | MEK01 MEK02 | |
2 | TK02 | W03 | MEK01 MEK02 | |
2 | TK03 | W04, W05 | MEK01 MEK02 | |
2 | TK04 | W06, W07 | MEK01 MEK02 | |
2 | TK05 | W08 | MEK01 MEK02 | |
2 | TK06 | W09, W10 | MEK01 MEK02 | |
2 | TK07 | P01-P07 | MEK02 MEK03 |
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) |
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. |
Wymagane podczas egzaminu/zaliczenia
(-)
Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)
Inne
(-)
Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : nie
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 |