Uniwersytet Warszawski - Centralny System Uwierzytelniania
Strona główna

Chmura w uczeniu maszynowym

Informacje ogólne

Kod przedmiotu: 1000-2M19TCH
Kod Erasmus / ISCED: 11.3 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0612) Database and network design and administration Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Chmura w uczeniu maszynowym
Jednostka: Wydział Matematyki, Informatyki i Mechaniki
Grupy: Przedmioty obieralne dla informatyki
Przedmioty obieralne dla Machine Learning
Przedmioty obieralne na studiach drugiego stopnia na kierunku bioinformatyka
Punkty ECTS i inne: 6.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.

zobacz reguły punktacji
Język prowadzenia: angielski
Rodzaj przedmiotu:

monograficzne

Tryb prowadzenia:

mieszany: w sali i zdalnie

Skrócony opis:

Program obejmuje dwa obszary zastosowań informatyki będące obecnie w kręgu głównych zainteresowań biznesu z uwagi na oferowane lub spodziewane źródła przewagi konkurencyjnej: chmurę obliczeniową i uczenie maszynowe. Ujęcie zagadnień z zachowaniem podejścia, w którym środowiska chmurowe (głównie typu IaaS i PaaS) są przede wszystkim kontekstem wykonawczym pozwoli skupić się słuchaczom na rozwiązywaniu konkretnych problemów manifestując tym samym podejście pragmatyczne. Całości towarzyszy wspólna praca wraz z partnerem biznesowym nad projektem integrującym tematy z zakresu programu przedmiotu, którego wykonanie jest wymaganym elementem uzyskania oceny. Wybór konkretnych zagadnień wykładu zależy od scenariuszy przedstawionych przez partnera biznesowego, lecz będzie obejmować co najmniej modelowanie matematyczne, szeregi czasowe i techniki przetwarzania języka naturalnego (NLP).

Pełny opis:

Zajęcia podzielone są na dwie grupy: wykłady i laboratoria oraz seminaria (w drugiej części semestru) w trakcie, których uczestnicy będą prezentowali postępy prac w ramach własnych projektów. Tematy zajęć wykładowych i laboratoryjnych:

1. Wstęp: cele kształcenia, środowiska i narzędzia pracy.

2. Chmura obliczeniowa (IaaS/PaaS): wirtualizacja sprzętowa i programowa, model chmury hybrydowej z wyszczególnieniem roli warstw infrastruktury, zarządzania, usług i integracji, standaryzacja i migracja procesów, katalog usług, automatyczna skalowalność, rozwiązania klastrowe, funkcje chmurowe.

3. Przegląd usług z zakresu uczenia maszynowego dostępnych w formie usług (SaaS).

4. Metody statystyczne i sieci neuronowe w analizie szeregów czasowych.

5. Przetwarzanie języka naturalnego (tokenizacja, osadzanie słów, analiza morfologiczna, zastosowania metod zespołowych, płytkie i głębokie sieci neuronowe).

algorytmów i narzędzi uczenia maszynowego, usługi sztucznej inteligencji w chmurze, sieci neuronowe, przetwarzanie języka naturalnego, wizualizacja wyników analizy danych.

6. Modele bezpieczeństwa chmury obliczeniowej.

Literatura:

I. Białynicki-Birula, I.Białynicka-Birula, Modelowanie rzeczywistości – jak w komputerze postrzega się świat, Wydawnictwo WNT, Warszawa 2013

N.Gift, AI. Podejście pragmatyczne. Wprowadzenie do uczenia maszynowego opartegona chmurze, APN Promise, Warszawa 2019

S.Jansen, Machine Learning for Algorithmic Trading - Second Edition, Packt Publishing, Birmingham-Mumbai, 2020

C.Rossant, Ipython Interactive Computing and Visualization Cookbook - Second Edition, Packt Publishing, Birmingham-Mumbai, 2018

Efekty uczenia się:

1. Rozumie i umie zaprojektować oraz uruchomić usługi w chmurze według założonych wymagań.

2. Rozumie podstawowe techniki uczenia maszynowego i potrafi zaimplementować algorytmy w oparciu o wybrane pakiety Pythona (np. NumPy, Pandas, Scikit-Learn) w tym również w środowiskach SaaS (IBM Watson Studio) z wykorzystaniem pamięci obiektowej.

3. Rozumie podstawowe terminy i mechanizmy związane z cyberbezpieczeństwem.

4. Potrafi zarządzać cyklem życia oprogramowania we współpracy z innymi uczestnikami projektu.

Metody i kryteria oceniania:

Ocena końcowa na podstawie punktów z zadań indywidualnych/kolokwiów (30%) oraz oceny projektu programistycznego (70%).

Zajęcia w cyklu "Semestr letni 2023/24" (w trakcie)

Okres: 2024-02-19 - 2024-06-16
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Michał Sierakowski
Prowadzący grup: Michał Sierakowski
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Wykład - Egzamin
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski.
ul. Banacha 2
02-097 Warszawa
tel: +48 22 55 44 214 https://www.mimuw.edu.pl/
kontakt deklaracja dostępności USOSweb 7.0.2.0-80474ed05 (2024-03-12)