Uczenie maszynowe
Informacje ogólne
Kod przedmiotu: | 1100-3BN17 |
Kod Erasmus / ISCED: |
(brak danych)
/
(0540) Matematyka i statystyka
|
Nazwa przedmiotu: | Uczenie maszynowe |
Jednostka: | Wydział Fizyki |
Grupy: |
Fizyka, II stopień; przedmioty z zakresu analizy numerycznej Przedmioty kierunkowe na studiach drugiego stopnia na kierunku bioinformatyka Przedmioty obieralne na studiach drugiego stopnia na kierunku bioinformatyka ZFBM - Neuroinformatyka; przedmioty dla III roku |
Strona przedmiotu: | https://brain.fuw.edu.pl/edu/index.php/Uczenie_maszynowe_i_sztuczne_sieci_neuronowe |
Punkty ECTS i inne: |
6.00 (zmienne w czasie)
|
Język prowadzenia: | polski |
Kierunek podstawowy MISMaP: | fizyka |
Założenia (opisowo): | Student powinien znać podstawowe pojęcia z algebry i analizy matematycznej. Student powinien umieć programować w języku python. |
Tryb prowadzenia: | w sali |
Skrócony opis: |
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. |
Pełny opis: |
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. |
Literatura: |
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 |
Efekty uczenia się: |
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 |
Metody i kryteria oceniania: |
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. |
Zajęcia w cyklu "Semestr zimowy 2024/25" (zakończony)
Okres: | 2024-10-01 - 2025-01-26 |
Przejdź do planu
PN WT WYK
ŚR CW
CZ CW
CW
CW
PT |
Typ zajęć: |
Ćwiczenia, 30 godzin
Wykład, 30 godzin
|
|
Koordynatorzy: | Jarosław Żygierewicz | |
Prowadzący grup: | Jan Chojnacki, Martyna Poziomska, Jarosław Żygierewicz | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Zaliczenie na ocenę
Wykład - Zaliczenie na ocenę |
Właścicielem praw autorskich jest Uniwersytet Warszawski, Wydział Fizyki.