Uczenie maszynowe

fizyka
informatyka
matematyka

Student powinien znać podstawowe pojęcia z algebry i analizy matematycznej.

Student powinien umieć programować w języku python.

w sali

Wykład i ćwiczenia wrowadzające w tematykę i metodologię uczenia maszynowego i modelowania sztucznych sieci neuronowych i rozwiązywania za ich pomocą praktycznych problemów. Wykład przeznaczony jest dla studentów III roku kierunku Neuroinformatyka.

Program:

1. Wstęp, regresja liniowa i metoda najmniejszych kwadratów

2. Klasyfikacja i regresja logistyczna

3. Algorytmy generatywne

4. Maszyny wektorów wspierających

5. Wstęp o sieciach neuronowych, sieci neuronowe liniowe

6. Perceptron Rosenblatta

7. Nieliniowości różniczkowalne i metoda wstecznej propagacji błędu

8. Głębokie sieci neuronowe

9. Uczenie bez nadzoru

10. Uczenie ze wzmocnieniem

Zagadnienia omawiane teoretycznie na wykładzie będą ilustrowane na ćwiczeniach praktycznymi przykładami w języku python.

1. R. Tadeusiewicz, Sieci neuronowe.

2. J.Hertz, A. Krogh, R. Palmer, Wstęp do teorii obliczeń neuronowych.

3. Russel Norvig, Artificial intelligence a modern approach.

4. artykuły polecane w czasie zajęć

Wiedza:

1. Student zna podstawowe koncepcje związane z uczeniem maszynowym i sztucznymi sieciami neuronowymi (KW01);

2. posiada wiedzę w zakresie matematyki wyższej oraz technik informatycznych niezbędną do rozwiązywania problemów fizycznych o średnim poziomie złożoności za pomocą metod uczenia maszynowego (KW02).

Umiejętności:

1. Student potrafi zastosować podejście uczenia maszynowego lub sztuczną sieć neuronową do praktycznego problemu (KU01);

2. potrafi wykonywać proste eksperymenty, obserwacje, obliczenia numeryczne i symulacje komputerowe z wykorzystaniem standardowych pakietów oprogramowania oraz krytycznie analizować wyniki pomiarów, obserwacji i obliczeń wraz z oceną dokładności wyników (KU03).

Postawy:

1. Student docenia znaczenie metod uczenia maszynowego we współczesnych metodach analizy danych (K_K06);

2. docenia znacznie pracy własnej w pogłębianiu wiedzy oraz umiejętności z obszaru uczenia maszynowego (K_K01);

3. potrafi odpowiednio określić priorytety służące realizacji określonych zadań i przedsięwzięć o zróżnicowanym charakterze (K_K03).

Przewidywany nakład pracy studenta:

Uczestnictwo w zajęciach: 60 h

Przygotowanie do zajęć i rozwiązywanie zadań domowych: 20 h

Przygotowanie do egzaminu 10 h

Przygotowanie projektu zaliczeniowego 20h

Ocena jest średnią z wyniku testu dotyczącego zagadnień teoretycznych oraz oceny z kolokwiów.

Obecność na wykładzie nie jest obowiązkowa.

Dopuszczalne są dwie nieobecności na ćwiczeniach.