Cel kształcenia i wykaz literatury

Główny cel kształcenia: Teoretyczna wiedza i praktyczne wykorzystanie wybranych metod uczenia maszynowego

Ogólne informacje o zajęciach: Omówienie kluczowych zagadnień z zakresu uczenia nadzorowanego, nienadzorowanego, klasteryzacji, selekcji cech i instancji, drążenia danych; przedstawienie problemu klasyfikacji, regresji; ocena skuteczności metod uczenia maszynowego.

Materiały dydaktyczne: Dostępne w wersji elektronicznej na stronie http://maciejkusy.sd.prz.edu.pl

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

1	Bishop C.M.	Pattern Recognition and Machine Learning	Springer.	2006
2	Kecman V.	Learning and Soft Computing. Support Vector Machines, Neural Networks and Fuzzy Logic Models	MIT Press, Cambridge.	2011
3	Quinlan J.R.	C4.5: Programs for machine learning	Morgan Kaufman Publishers, San Meteo.	1993
4	Lundberg S.M., Lee S.-I	A unified approach to interpreting model predictions	Proc. of NIPS, Long Beach, USA.	2017
5	Christoph M.	Interpretable Machine Learning: A Guide For Making Black Box Models Explainable	Independently published.	2022
6	Aggarwal C.C.	Neural Networks and Deep Learning: A Textbook	Springer International Publishing AG.	2023
7	Foster D.	Generative Deep Learning: Teaching Machines To Paint, Write, Compose, and Play	O'Reilly Media.	2023

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

1

Mathworks Inc.

Matlab Online Documentation

http://www.mathworks.com.

2023

Literatura do samodzielnego studiowania

1	Żurada J., Barski M., Jędruch W.	Sztuczne sieci neuronowe	PWN.	1996
2	Rutkowska D., Piliński M., Rutkowski L.	Sieci neuronowe, algorytmy genetyczne i systemy rozmyte	PWN, Warszawa.	1997

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

Wymagania formalne: Student zarejestrowany na 5 semestr.

Wymagania wstępne w kategorii Wiedzy: Student ma uporządkowaną, podbudowaną teoretycznie wiedzę ogólną w zakresie informatyki wykorzystywaną do formułowania i rozwiązywania zadań problemów badawczych.

Wymagania wstępne w kategorii Umiejętności: Student potrafi wykorzystać nabytą wiedzę do tworzenia modeli, zapisu algorytmów, formułowania i rozwiązywania zadań informatycznych, korzystając z metod analitycznych i eksperymentalnych.

Wymagania wstępne w kategorii Kompetencji społecznych: Student potrafi przekazać informację o osiągnięciach informatyki i różnych aspektach zawodu informatyka w sposób powszechnie zrozumiały. Rozumie potrzebę praktycznego stosowania nabytej wiedzy.

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 uporządkowaną, podbudowaną teoretycznie wiedzę ogólną w zakresie informatyki, a w szczególności języków programowania, komunikacji człowiek-komputer, sztucznej inteligencji.	wykład, laboratorium	Raport/sprawozdanie pisemne i ustna obrona	K_W04+	P6S_WG
02	Ma podstawową wiedzę nt. kodeksów etycznych dotyczących informatyki, patentów, ustawy prawo autorskie i prawa pokrewne oraz ustawy o ochronie danych osobowych. Rozumie zagrożenia związane ze sztuczną inteligencją.	wykład, laboratorium	Raport/sprawozdanie pisemne i ustna obrona	K_W06+	P6S_WK
03	Zna i rozumie wybrane aspekty funkcjonowania człowieka, sposoby organizacji i motywacji pracy badawczej.	wykład, laboratorium	Raport/sprawozdanie pisemne i ustna obrona	K_W12+	P6S_WG
04	Potrafi wykorzystać nabytą wiedzę matematyczną i informatyczną do tworzenia modeli, zapisu algorytmów, optymalizacji rozwiązań programowych oraz do formułowania i rozwiązywania zadań informatycznych, korzystając z metod analitycznych i eksperymentalnych.	wykład, laboratorium	Raport/sprawozdanie pisemne i ustna obrona	K_U01+	P6S_UW
05	Potrafi pozyskiwać informacje z literatury, baz danych i innych źródeł, a także integrować je, dokonywać ich interpretacji oraz wyciągać wnioski i formułować opinie.	wykład, laboratorium	Raport/sprawozdanie pisemne i ustna obrona	K_U02+	P6S_UW
06	Ma umiejętność formułowania algorytmów i ich programowania.	wykład, laboratorium	Raport/sprawozdanie pisemne i ustna obrona	K_U08+	P6S_UW
07	Rozumie, że w informatyce wiedza i umiejętności bardzo szybko stają się przestarzałe.	wykład, laboratorium	Raport/sprawozdanie pisemne i ustna obrona	K_K01+	P6S_KK P6S_UU
08	Potrafi przekazać informację o osiągnięciach informatyki i różnych aspektach zawodu informatyka w sposób powszechnie zrozumiały.	wykład, laboratorium	Raport/sprawozdanie pisemne i ustna obrona	K_K05+	P6S_KO P6S_UK

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
5	TK01	Wstęp do problematyki uczenia maszynowego	W01	MEK01 MEK02 MEK03 MEK07 MEK08
5	TK02	Ocena wydajności modeli uczenia maszynowego	W02	MEK04 MEK05 MEK06
5	TK03	Drzewa decyzyjne	W03, L01	MEK04 MEK05 MEK06
5	TK04	Klasteryzacja parametryczna i nieparametryczna, wskaźniki doboru środków	W04, L02	MEK04 MEK05 MEK06
5	TK05	Algorytm wektorów wspierających:wymiar VC, problem liniowo/nieliniowo separowalny, rozwiązania C-SVM i ν–SVM, klasyfikacja jedno i wieloklasowa	W05, L03	MEK04 MEK05 MEK06
5	TK06	Sieci neuronowe płytkie: MLP, RBF, SOM, CP, PNN	W06, W07, L04	MEK04 MEK05 MEK06
5	TK07	Selekcja cech: metody filtrujące i opakowujące, sekwencyjne, CART, las losowy, wartości Shapley’a; istotność cech i analiza wrażliwości; ekstrakcja cech	W08, W09, L05	MEK04 MEK05 MEK06
5	TK08	Selekcja instancji/przypadków; łączna redukcja instancji i cech	W10	MEK04 MEK05 MEK06
5	TK09	Metody regresji: liniowa, wielomianowa, drzewo regresji, las losowy, wektory wspierające	W11, L06	MEK04 MEK05 MEK06
5	TK10	Wybrane zagadnienie wyjaśnialnej sztucznej inteligencji (explainable AI)	W12	MEK04 MEK05 MEK06
5	TK11	Głębokie sieci neuronowe	W13, W14, L07	MEK04 MEK05 MEK06
5	TK12	Duże modele językowe, uczenie generatywne	W14, W15, L07	MEK04 MEK05 MEK06

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 5)		Godziny kontaktowe: 30.00 godz./sem.
Laboratorium (sem. 5)	Przygotowanie do laboratorium: 5.00 godz./sem.	Godziny kontaktowe: 15.00 godz./sem.
Konsultacje (sem. 5)
Zaliczenie (sem. 5)	Przygotowanie do zaliczenia: 10.00 godz./sem.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład	Brak
Laboratorium	Sprawdzenie wyników analizy badawczej
Ocena końcowa	Na podstawie oceny z laboratorium

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