Praktyczny Machine Learning w Pythonie

nieobowiązkowe

Celem zajęć jest przedstawienie najnowszych metod machine learningu, z wykorzystaniem języka programowania Python. W celu kompletnej ilustracji zagadnienia machine learningu przybliżone zostaną wszystkie trzy typy analizy: unsupervised, supervised oraz reinforcement learning. Główny nacisk zostanie jednak położony na modele predykcyjne, zarówno klasyfikacji jak i regresji.

Zajęcia będą koncentrować się na wykształceniu intuicyjnego rozumienia omawianych algorytmów, ich silnych oraz słabych stron oraz zdobycia praktycznych umiejętności ich wykorzystania.

•Wprowadzenie do machine learningu

◦Data science, Data Mining, Deep Learning, Big Data i Machine learning.

◦Znaczenie machine learningu dla biznesu

◦Machine learning jako funkcja.

•Supervised learning

◦Problem regresji i klasyfikacji. Funkcja celu.

◦Bias - variance dillema.

◦Regresja liniowa i logistyczna (przypomnienie)

◦Drzewa decyzyjne.

◦Proste drzewa decyzyjne.

◦Random Forest.

◦Boosting.

◦Sieci neuronowe.

•Unsupervised learning

◦Klastrowanie

◦Nie tylko K-Means: porównanie licznych algorytmów klastrowania.

◦Klątwa wymiarowości.

◦Redukcja wymiarów:

▪Principal component analysis (PCA)

▪Self-organizing map (SOM)

▪t-distributed stochastic neighbor embedding (t-SNE)

•Reinforcement Learning

Harrington, Peter. Machine learning in action. Vol. 5. Greenwich, CT: Manning, 2012

WIEDZA

Zna w sposób pogłębiony metody modelowania predykcyjnego. Zna i rozumie metody oparte o drzewa decyzyjne oraz sieci neuronowe. Zna źródła pozyskiwania dużych zbiorów danych.

Zna sposoby wykorzystania języka programowania Python na potrzeby analizy danych

Zna możliwości aplikacyjne przedstawionych metod statystycznych i na ich podstawie może tworzyć analizy na potrzeby analiz rynkowych w pracy lub na potrzeby własnej firmy.

UMIEJĘTNOŚCI

Potrafi dobrać odpowiednią metodę modelowania do postawionego problemu. Na podstawie uzyskanych wyników potrafi formułować własne opinie i aplikować wiedzę teoretyczną do opisu i analizy zjawisk ekonomicznych.

Potrafi wyszukać dane, zastosować modelowanie predykcyjne, udokumentować proces analityczny oraz sporządzić opis przeprowadzonych czynności.

KOMPETENCJE SPOŁECZNE

Praktyka wykorzystania języka programowania Python pozwala na zwiększenie umiejętności samodzielnego uczenia i zwiększa kompetencje w programowaniu obiektowym.

Przeprowadzone na zajęciach ćwiczenia i praktyki modelowania pozwalają studentowi być krytycznym względem wyników uzyskiwanych w pracach naukowych.

Zaliczenie odbywać się będzie na podstawie testu końcowego (test jednokrotnego wyboru) oraz pracy zaliczeniowej/projektu, którego celem jest wykorzystanie umiejętności zdobytych w trakcie semestru w analizie praktycznego problemu.

Test końcowy 40%

Projekt (realizowany poza zajęciami) 60%

Dodatkową możliwością zaliczenia przedmiotu jest udział i osiągnięcie dobrego wyniku w konkursie analizy danych (np. kaggle). Szczegóły podaną zostaną na pierwszych zajęciach.