Metody numeryczne w analizie danych i uczeniu maszynowym

Informacje ogólne

Kod przedmiotu:	1000-1M22NUM
Kod Erasmus / ISCED:	11.1 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0541) Matematyka Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu:	Metody numeryczne w analizie danych i uczeniu maszynowym
Jednostka:	Wydział Matematyki, Informatyki i Mechaniki
Grupy:	Przedmioty monograficzne dla matematyki 2 stopnia Przedmioty obieralne na studiach drugiego stopnia na kierunku bioinformatyka
Punkty ECTS i inne:	(brak) 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. zobacz reguły punktacji
Język prowadzenia:	angielski
Rodzaj przedmiotu:	monograficzne
Założenia (opisowo):	Nie jest wymagana znajomość uczenia maszynowego, ani analizy danych.
Skrócony opis:	Przyjrzymy się specyfice wybranych zadań obliczeniowych spotykanych w zagadnieniach analizy danych oraz uczenia maszynowego oraz własnościom algorytmów używanych do ich rozwiązywania.
Pełny opis:	Wykład dotyczy podstaw metod numerycznych wykorzystywanych w zadaniach uczenia maszynowego (ML) i analizy danych (DS). Zajmiemy się dwiema klasami zadań obliczeniowych: optymalizacja (regresja nieliniowa, m. gradientowe i nie tylko, akceleracja, backprop, ...) algebra liniowa (SVD, regresja liniowa, z regularyzacją, nowe rozkłady macierzy, ...) Jak wystarczy czasu, zrobimy wycieczki w inne rejony na styku metod numerycznych i uczenia maszynowego lub analizy danych. Każde omawiane zadanie obliczeniowe ma bezpośrednie motywacje z ML/DS, co zostanie pokazane. Nie jest wymagana znajomość ML/DS.
Literatura:	Literatura będzie podawana na bieżąco.
Metody i kryteria oceniania:	Ocena na podstawie projektu komputerowego i egzaminu ustnego.

Przedmiot nie jest oferowany w żadnym z aktualnych cykli dydaktycznych.

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski, Wydział Fizyki.