Przedmioty obowiązkowe dla II roku Machine Learning (grupa przedmiotów zdefiniowana przez Wydział Matematyki, Informatyki i Mechaniki)
Plany zajęć grupy przedmiotów
|
Legenda
Jeśli przedmiot jest prowadzony w danym cyklu dydaktycznym, to w odpowiedniej komórce pojawi się koszyk rejestracyjny. Ikona koszyka zależy od tego, czy możesz się rejestrować na dany przedmiot.
- nie jesteś zalogowany 
- aktualnie nie możesz się rejestrować 
- możesz się zarejestrować 
- możesz się wyrejestrować (lub wycofać prośbę) 
- złożyłeś prośbę o zarejestrowanie (i nie możesz jej już wycofać) 
- jesteś pomyślnie zarejestrowany (i nie możesz się wyrejestrować)
Kliknij na ikonę "i" przy koszyku, aby uzyskać dodatkowe informacje.
2024Z - Semestr zimowy 2024/25 2024 - Rok akademicki 2024/25 2025Z - Semestr zimowy 2025/26 2025L - Semestr letni 2025/26 2025 - Rok akademicki 2025/26 (zajęcia mogą być semestralne, trymestralne lub roczne) |
Opcje | ||||||||
|---|---|---|---|---|---|---|---|---|---|
| 2024Z | 2024 | 2025Z | 2025L | 2025 | |||||
| 1000-319bBML |
 
|
brak |
|
brak | brak |
Zajęcia przedmiotu
Semestr zimowy 2024/25
Grupy przedmiotu
Skrócony opis
Celem przedmiotu jest zbudowanie teoretycznej podstawy oraz praktycznych umiejętności pozwalających używać w wielkiej skali algorytmów i technik uczenia maszynowego. Omówimy architekturę współczesnych klastrów obliczeniowych (ML, chmurowych i HPC). Przedstawimy metody rozpraszania obliczeń na klastrach oraz podstawowe modele algorytmiczne pozwalające na szacowanie wydajności. Na przykładach typowych algorytmów MLowych (drzewa decyzyjne, uczenie sieci neuronowych) pokażemy teoretyczne i praktyczne wyzwania użycia ich w skali kilku do kilkuset maszyn. Następnie omówimy problemy trenowania i wykorzystania wielkoskalowych modeli językowych (LLM). Przedmiot podsumujemy przedstawiając podstawowe problemy użycia modeli ML w wielkoskalowej produkcji. |
|
||
| 1000-319bEML |
|
brak |
|
|
brak |
Zajęcia przedmiotu
Semestr zimowy 2024/25
Grupy przedmiotu
Skrócony opis
Celem przedmiotu jest Poznanie zagadnień, metod oraz technik wyjaśniania złożonych modeli uczenia maszynowego. Modele predykcyjne są coraz bardziej złożone, komitety drzew, głębokie sieci neuronowe to modele o tysiącach parametrów. Dla modeli o takiej wymiarowości łatwo stracić kontrolę nad tym czego model się wyuczył. Podczas tego przedmiotu omówimy narzędzia do analizy struktury modelu traktowanego jako czarna skrzynka, oraz do analizy predykcji z tego modelu. Pozwoli to na zwiększenie zaufania do modelu, poprawę skuteczności modelu, oraz możliwość wyciągnięcia użytecznej wiedzy z modelu. Poznamy najpopularniejsze metody wyjaśnień, przedyskutujemy ich silne i słabe strony tak by uczestnik zajęć miał niezbędne kompetencje do dalszego zgłębiania literatury z tego obszaru. |
|
||
| 1000-319bINT | brak |
|
brak | brak |
|
Zajęcia przedmiotu
Rok akademicki 2024/25
Grupy przedmiotu
Skrócony opis
Obowiązkowe praktyki zawodowe dla studentów kierunku machine learning. |
|
||
| 1000-319bTML | brak |
|
brak | brak |
|
Zajęcia przedmiotu
Rok akademicki 2024/25
Grupy przedmiotu
Skrócony opis
Podczas przedmiotu realizowane są przedsięwzięcia o charakterze naukowym lub wdrożeniowym. Pierwsze zajęcia poświęcone są na prezentacje tematów a następnie następuje podział na zespoły (od 2 do 4 osób) i przydział tematów. W trakcie każdego semestru zespół przygotowuje trzy prezentacje na temat postępów. Na ocenę z przedmiotu ma wpływ opinia opiekuna projektu, a także efekt końcowy w postaci raportu, manuskryptu bądź repozytorium. |
|
||
