Machine learning 1
Informacje ogólne
Kod przedmiotu: | 2400-SP-DS-ML1 |
Kod Erasmus / ISCED: |
(brak danych)
/
(0311) Ekonomia
|
Nazwa przedmiotu: | Machine learning 1 |
Jednostka: | Wydział Nauk Ekonomicznych |
Grupy: |
Data Science w zastosowaniach biznesowych. Warsztaty z wykorzystaniem programu R |
Punkty ECTS i inne: |
(brak)
|
Język prowadzenia: | polski |
Rodzaj przedmiotu: | obowiązkowe |
Pełny opis: |
Celem kursu jest wprowadzenie do zagadnień uczenia maszynowego w kontekście klasyfikacji, czyli modelowania zjawisk o charakterze jakościowym i regresji, służącej do modelowania zjawisk o charakterze ilościowym. Klasyfikacja może mieć charakter binarny (dwuwartościowa zmienna zależna) albo wielowartościowy. Kurs stanowi rozwinięcie podstawowych zagadnień uporządkowanych na kursie z analizy regresji liniowej i logistycznej. Szczegółowo omówione zostaną kwestie związane z oceną jakości modelu, podziałem na próbę uczącą i testową, a także walidacją krzyżową modeli. Wśród metod modelowania jako pierwsza omówiona zostanie liniowa i kwadratowa analiza dyskryminacji (jako uzupełnienie metod parametrycznych). W dalszej części kursu przedstawiona zostanie również metoda k-najbliższych sąsiadów z zastosowaniem zarówno do problemów klasyfikacji, jak i regresji, maszyna wektorów nośnych (ang. support vector machine), a także regresja grzbietowa (ang. ridge regression) oraz metoda Lasso. Ważną częścią kursu będzie również omówienie kwestii doboru zmiennych do modelu oraz bilansowania próby. |
Literatura: |
Materiały przygotowywane przez wykładowcę i udostępniane uczestnikowi na platformie Google Drive. |
Efekty uczenia się: |
Test zaliczeniowy - do zaliczenia wymagana jest 50% poprawnych odpowiedzi na 10 pytań. |
Zajęcia w cyklu "Rok akademicki 2023/24" (w trakcie)
Okres: | 2023-10-01 - 2024-06-16 |
Przejdź do planu
PN WT ŚR CZ PT |
Typ zajęć: | (brak danych) | |
Koordynatorzy: | (brak danych) | |
Prowadzący grup: | (brak danych) | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: | Zaliczenie |
Właścicielem praw autorskich jest Uniwersytet Warszawski.