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.
2023Z - Semestr zimowy 2023/24 2023 - Rok akademicki 2023/24 2024Z - Semestr zimowy 2024/25 2024 - Rok akademicki 2024/25 (zajęcia mogą być semestralne, trymestralne lub roczne) |
Opcje | |||||||
|---|---|---|---|---|---|---|---|---|
| 2023Z | 2023 | 2024Z | 2024 | |||||
| 1000-319bTML | brak |
 
|
brak |
|
Zajęcia przedmiotu
Rok akademicki 2023/24
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. |
|
||
| 1000-319bEML |
|
brak |
|
brak |
Zajęcia przedmiotu
Semestr zimowy 2023/24
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. |
|
||
| 1000-319bBML |
|
brak |
|
brak |
Zajęcia przedmiotu
Semestr zimowy 2023/24
Grupy przedmiotu
Skrócony opis
Celem zajęć jest prezentacja techniki i narzędzia przetwarzania dużych zbiorów danych (ang. Big data) stosowanych przy uczeniu maszynowym. Przedstawimy najważniejsze modele i podstawowe techniki algorytmiczne dla nich. Omówimy metody analizy algorytmów rozpraszających obliczenia na klastrach. Przestawimy optymalizacje stosowane przy rozpraszaniu typowych algorytmów uczenia maszynowego jak regresja liniowa, klastrowanie, drzewa decyzyjne czy sieci neuronowe. |
|
||
| 1000-319bINT | brak |
|
brak |
|
Zajęcia przedmiotu
Rok akademicki 2023/24
Grupy przedmiotu
Skrócony opis
Obowiązkowe praktyki zawodowe dla studentów kierunku machine learning. |
|
||
