Uniwersytet Warszawski - Centralny System Uwierzytelniania
Strona główna

Introduction to machine learning

Informacje ogólne

Kod przedmiotu: 2500-EN-COG-OB1L-1
Kod Erasmus / ISCED: 14.4 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. / (0313) Psychologia Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Introduction to machine learning
Jednostka: Wydział Psychologii
Grupy: Cognitive Science
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.
Język prowadzenia: angielski
Skrócony opis: (tylko po angielsku)

This course provides an overview of machine learning concepts and algorithms. It focuses mostly on techniques related to classification and regression, such as nearest neighbors methods, generalized linear models, tree-based methods, feed-forward neural networks. Simple clustering techniques (k-means clustering, hierarchical clustering) are also introduced. Lecture covers main principles behind different algorithms, model evaluation strategies and basics of statistical learning theory. Connections with topics known from cognitive modeling (e.g., categorization models, signal detection theory) or statistics (e.g., sampling, probability density estimation, logistic regression) are made. During laboratory classes students learn practical applications of the introduced methods using libraries from Python ecosystem (scikit-learn, XGBoost, PyTorch).

Pełny opis: (tylko po angielsku)

Machine learning is a somewhat eclectic field drawing from artificial intelligence, statistics, optimization and data mining. It is pragmatically oriented as it focuses on solving practical problems using various heuristics rather than looking for ‘correct’ solutions. The center of interest is building predictive models based on available data. Machine learning provides general schemes for framing problems (e.g., classification, regression, clustering) and a set of diverse techniques for handling them.

The course is designed to provide an overview of machine learning techniques and foster a specific way of thinking about problems. In accordance with a motto TIMTOWTDI (There is more than one way to do it), multiple ways of approaching similar tasks will be discussed. Material covered will seek a balance between simple algorithms illustrating particular concepts, models interesting from cognitive science perspective, and modern techniques with practical applications.

Lectures will cover necessary theoretical background, including key concepts and some mathematical details. Classes in computer laboratory will focus on applications of the introduced algorithms. Generally, ready-made software packages will be used, students will not be required to implement algorithms on their own.

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

Okres: 2024-02-19 - 2024-06-16
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Ćwiczenia, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Maria Bancerek, Julian Zubek
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
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 mapa serwisu USOSweb 7.0.4.0-7ba4b2847 (2024-06-12)