Uniwersytet Warszawski, Wydział Fizyki - Centralny System Uwierzytelniania
Strona główna

Uczenie maszynowe II

Informacje ogólne

Kod przedmiotu: 1100-UM2
Kod Erasmus / ISCED: (brak danych) / (brak danych)
Nazwa przedmiotu: Uczenie maszynowe II
Jednostka: Wydział Fizyki
Grupy: Fizyka, I st. studia indywidualne; przedmioty do wyboru
Fizyka, II stopień; przedmioty do wyboru
Punkty ECTS i inne: 4.00 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: polski
Kierunek podstawowy MISMaP:

fizyka
informatyka
matematyka

Założenia (opisowo):

Zakłada się, że osoba uczestnicząca w kursie ma następujące cechy:


  • ma do dyspozycji laptop - zajęcia będą prowadzone w standardowej sali wykładowej. Laptop może mieć dowolny system operacyjny, ale wsparcie Wykładowcy jest zapewnione głównie dla systemów typu Linux i w ograniczonym zakresie Windows

  • umie programować w języku Python na średnim poziomie - np. da radę napisać nową klasę w języku Python posiłkując się kodem innej klasy 

  • zna podstawowe pojęcia związane z uczeniem maszynowym i statystyczną analizą danych na poziomie odpowiadającym materiałowi przedmiotu Uczenie maszynowe 1100-3BN17. Formalne zaliczenie przedmiotu Uczenie maszynowe nie jest wymagane.


Tryb prowadzenia:

w sali

Przedmiot dedykowany programowi:

KURSY

Skrócony opis:

Zajęcia rozwijające operacyjną sprawność w tworzeniu i używaniu modelu i maszynowego. Przedmiot jest przeznaczony dla wszystkich zainteresowanych praktyczną stroną uczenia maszynowego, niezależnie od roku i kierunku studiów.

Zajęcia mają postać warsztatów - części wykładowe i ćwiczeniowe połączone w jeden blok. Większy nacisk jest położony na pisanie efektywnego, ładnego, kodu rozwiązującego zagadnienia pojawiające się w trakcie pracy nad modelami uczenia maszynowego.

Kurs jest prowadzony z użyciem pakietu TensorFlow oraz środowiska Google Colaboratory lub własnych komputerów. Materiały kursu są w postaci notatników Jupyter.

Pełny opis:

Program zajęć:

1. Użyteczne biblioteki Python: numpy, matplotlib, pandas,

2. Konfiguracja środowiska do pracy: kontenery, serwer Jupyter,

Visual Studio Code, zdalny dostęp do maszyny obliczeniowej

3. Przypomnienie podstawowych pojęć z dziedziny uczenia maszynowego

4. Trening i zastosowanie sieci w pełni połączonych

5. Trening i zastosowanie sieci ze splotem (konwolucyjnych)

6. Sieci samokodujące: AE, VAE i CVAE

7. Sieci generatywne

8. Analiza sekwencji: sieci rekurencyjne

9. Analiza sekwencji: architektura transformatora

Przewidywany nakład pracy: 120 h

  • uczestnictwo w zajęciach: 75 h
  • przygotowanie do zajęć i rozwiązywanie zadań domowych: 20 h
  • przygotowanie projektu zaliczeniowego 25h
Literatura:

1. Dive into Deep learning: link

2. Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow:link

3. Deep Learning: link

4. An Introduction to Statistical Learning:link

5. The Elements of Statistical Learning:link

Efekty uczenia się:

Osoba uczestnicząca:

zna i rozumie:

1. zaawansowane koncepcje związane z uczeniem maszynowym i sztucznymi sieciami neuronowymi

2. techniki informatyczne niezbędne przy rozwiązywaniu problemów fizycznych i analizy danych

potrafi stosować:

1. biblioteki numeryczne, bazy danych i zaawansowane oprogramowanie używane w analizie danych fizycznych i innego typu

szczerze docenia:

1. systematyczną pracę

2. terminowe wykonywanie zadań

3. tworzenie starannego i czytelnego kodu

4. konieczność samodzielnego zapoznawania się z literaturą dotyczącą zagadnień nad którymi pracuje

Metody i kryteria oceniania:

Ocena końcowa zostanie wystawiona na podstawie Projektu rozwiązującego zagadnienie zaproponowane przez osobę uczestniczącą.

Wymagania do oceny:

1. obowiązkowe prace domowe.

Niewykonanie wszystkich prac domowych skutkuje obniżeniem oceny końcowej o 0.5 punktu

2. obowiązkowa obecność na zajęciach - dopuszczalne są dwie nieobecności.

Nieusprawiedliwione przekroczenie limitu nieobecności skutkuje obniżeniem oceny końcowej o 2.0 punkty

3. wykonanie Projektu z godnie z harmonogramem:

  • definicja Projektu i konsultacja jego wykonywalności - koniec marca
  • przygotowanie notatnika Jupyter z wstępną obróbką danych - koniec kwietnia
  • przygotowanie notatnika z finalną wersją rozwiązania - koniec maja

    Niedotrzymanie każdego z trzech punktów harmonogramu skutkuje stratą 0.5 punktu oceny, tzn. niedotrzymanie wszystkich trzech punktów harmonogramu powoduje, że maksymalna ocena końcowa może wynieść 5 - 3*0.5 = 3.5

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

Okres: 2024-02-19 - 2024-06-16
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Warsztaty, 45 godzin więcej informacji
Koordynatorzy: Artur Kalinowski
Prowadzący grup: Artur Kalinowski
Lista studentów: (nie masz dostępu)
Zaliczenie: Zaliczenie na ocenę
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski, Wydział Fizyki.
ul. Pasteura 5, 02-093 Warszawa tel: +48 22 5532 000 https://www.fuw.edu.pl/ kontakt deklaracja dostępności USOSweb 7.0.3.0 (2024-03-22)