Uniwersytet Warszawski - Centralny System Uwierzytelniania
Strona główna

Uczenie maszynowe

Informacje ogólne

Kod przedmiotu: 1100-3BN17
Kod Erasmus / ISCED: (brak danych) / (0540) Matematyka i statystyka Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Uczenie maszynowe
Jednostka: Wydział Fizyki
Grupy: Fizyka, II stopień; przedmioty z zakresu analizy numerycznej
Przedmioty kierunkowe na studiach drugiego stopnia na kierunku bioinformatyka
ZFBM - Neuroinformatyka; przedmioty dla III roku
Strona przedmiotu: https://brain.fuw.edu.pl/edu/index.php/Uczenie_maszynowe_i_sztuczne_sieci_neuronowe
Punkty ECTS i inne: 5.50 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.
Język prowadzenia: polski
Kierunek podstawowy MISMaP:

fizyka
informatyka
matematyka

Założenia (opisowo):

Student powinien znać podstawowe pojęcia z algebry i analizy matematycznej.


Student powinien umieć programować w języku python.

Tryb prowadzenia:

w sali

Skrócony opis:

Wykład i ćwiczenia wrowadzające w tematykę i metodologię uczenia maszynowego i modelowania sztucznych sieci neuronowych i rozwiązywania za ich pomocą praktycznych problemów. Wykład przeznaczony jest dla studentów III roku kierunku Neuroinformatyka.

Pełny opis:

Program:

1. Wstęp, regresja liniowa i metoda najmniejszych kwadratów

2. Klasyfikacja i regresja logistyczna

3. Algorytmy generatywne

4. Maszyny wektorów wspierających

5. Wstęp o sieciach neuronowych, sieci neuronowe liniowe

6. Perceptron Rosenblatta

7. Nieliniowości różniczkowalne i metoda wstecznej propagacji błędu

8. Głębokie sieci neuronowe

9. Uczenie bez nadzoru

10. Uczenie ze wzmocnieniem

Zagadnienia omawiane teoretycznie na wykładzie będą ilustrowane na ćwiczeniach praktycznymi przykładami w języku python.

Literatura:

1. R. Tadeusiewicz, Sieci neuronowe.

2. J.Hertz, A. Krogh, R. Palmer, Wstęp do teorii obliczeń neuronowych.

3. Russel Norvig, Artificial intelligence a modern approach.

4. artykuły polecane w czasie zajęć

Efekty uczenia się:

Wiedza:

1. Student zna podstawowe koncepcje związane z uczeniem maszynowym i sztucznymi sieciami neuronowymi (KW01);

2. posiada wiedzę w zakresie matematyki wyższej oraz technik informatycznych niezbędną do rozwiązywania problemów fizycznych o średnim poziomie złożoności za pomocą metod uczenia maszynowego (KW02).

Umiejętności:

1. Student potrafi zastosować podejście uczenia maszynowego lub sztuczną sieć neuronową do praktycznego problemu (KU01);

2. potrafi wykonywać proste eksperymenty, obserwacje, obliczenia numeryczne i symulacje komputerowe z wykorzystaniem standardowych pakietów oprogramowania oraz krytycznie analizować wyniki pomiarów, obserwacji i obliczeń wraz z oceną dokładności wyników (KU03).

Postawy:

1. Student docenia znaczenie metod uczenia maszynowego we współczesnych metodach analizy danych (K_K06);

2. docenia znacznie pracy własnej w pogłębianiu wiedzy oraz umiejętności z obszaru uczenia maszynowego (K_K01);

3. potrafi odpowiednio określić priorytety służące realizacji określonych zadań i przedsięwzięć o zróżnicowanym charakterze (K_K03).

Przewidywany nakład pracy studenta:

Uczestnictwo w zajęciach: 60 h

Przygotowanie do zajęć i rozwiązywanie zadań domowych: 20 h

Przygotowanie do egzaminu 10 h

Przygotowanie projektu zaliczeniowego 20h

Metody i kryteria oceniania:

Ocena jest średnią z wyniku testu dotyczącego zagadnień teoretycznych oraz oceny z kolokwiów.

Obecność na wykładzie nie jest obowiązkowa.

Dopuszczalne są dwie nieobecności na ćwiczeniach.

Zajęcia w cyklu "Semestr zimowy 2023/24" (zakończony)

Okres: 2023-10-01 - 2024-01-28
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Ćwiczenia, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Jarosław Żygierewicz
Prowadzący grup: Artur Kalinowski, Martyna Poziomska, Jarosław Żygierewicz
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Wykład - Zaliczenie na ocenę
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)