Przedmioty obieralne dla Machine Learning (grupa przedmiotów zdefiniowana przez Wydział Matematyki, Informatyki i Mechaniki)

• Laboratorium - 30 godzin
• Wykład - 30 godzin

Program obejmuje dwa obszary zastosowań informatyki będące obecnie w kręgu głównych zainteresowań biznesu z uwagi na oferowane lub spodziewane źródła przewagi konkurencyjnej: chmurę obliczeniową i uczenie maszynowe. Ujęcie zagadnień z zachowaniem podejścia, w którym środowiska chmurowe (głównie typu IaaS i PaaS) są przede wszystkim kontekstem wykonawczym pozwoli skupić się słuchaczom na rozwiązywaniu konkretnych problemów manifestując tym samym podejście pragmatyczne. Całości towarzyszy wspólna praca wraz z partnerem biznesowym nad projektem integrującym tematy z zakresu programu przedmiotu, którego wykonanie jest wymaganym elementem uzyskania oceny. Wybór konkretnych zagadnień wykładu zależy od scenariuszy przedstawionych przez partnera biznesowego, lecz będzie obejmować co najmniej modelowanie matematyczne, szeregi czasowe i techniki przetwarzania języka naturalnego (NLP).

• Laboratorium - 30 godzin
• Wykład - 30 godzin

• Laboratorium - 30 godzin
• Wykład - 30 godzin

Przedstawienie głównych zagadnień w dziedzinie eksploracji danych (data mining) i metod ich rozwiązywania; omówienia podstawowych algorytmów i ich efektywnych realizacji na dużych zbiorach danych dla trudnych problemów takich, jak reguły asocjacyjne, redukty, dyskretyzacja atrybutów ciągłych, wzorce czasowe, drzewo decyzyjne; przedstawienie nowoczesnych technik obliczeń takich, jak równoległe przetwarzania, obliczenia ewolucyjne, heurystyki za pomocą standardowych baz danych lub logicznie zbudowanych struktur danych.

• Ćwiczenia - 30 godzin
• Wykład - 30 godzin

• Ćwiczenia - 30 godzin
• Wykład - 30 godzin

Przedmiot ugruntowuje teoretyczną i praktyczną wiedzę z zakresu metod uczenia maszynowego i eksploracji danych, pod kątem zastosowań związanych z dużymi, heterogenicznymi, rozproszonymi i dynamicznie przyrastającymi źródłami danych. Omawiana jest problematyka zapewnienia wystarczającej wiarygodności i jakości danych celem uczenia skutecznych modeli klasyfikacji, predykcji itd., jak i utrzymania skuteczności takich modeli jako składowych większych systemów informatycznych. Odwołujemy się do szerokiego zakresu praktycznych form i źródeł danych, w szczególności danych generowanych maszynowo. Omawiamy szeroki zakres praktycznych celów stawianych metodom uczenia maszynowego i eksploracji danych, jak np. wykrywanie anomalii lub podobnych przypadków. Dyskutujemy na praktycznych przykładach pełen cykl życia danych i informacji w systemach przetwarzania i analizy danych, z uwzględnieniem odpowiednio w nie wkomponowanych rozwiązań bazujących na uczeniu maszynowym i eksploracji danych.

• Laboratorium - 30 godzin
• Wykład - 30 godzin

• Laboratorium - 30 godzin
• Wykład - 30 godzin

Przedmiot to spojrzenie z perspektywy inżyniera na tworzenie złożonego ekosystemu serwisów które składają się na publiczną chmurę obliczeniową. Infrastruktura chmury to złożony system rozproszony z wyjątkowymi wymaganiami: wysokiej niezawodności, ogromnej skali i pracujący w wielowarstwowym oprogramowaniu. Pokażemy, jak te wymagania wpływają na kluczowe zagadnienia projektowania (komunikacja, skalowalność, alokacja zasobów, zarządzanie danymi) i inżynierii niezawodności (monitorowanie i testowanie). Kurs prowadzony będzie przez inżynierów Google’a pracujących na co dzień przy projektowaniu, wdrażaniu i utrzymywaniu infrastruktury chmury. Naszym celem nie jest nauczenie konkretnych technologii chmurowych, a raczej fundamentalnych zasad projektowania systemów rozproszonych wielkiej skali. Planujemy ilustrować te zasady na przykładach systemów, nad którymi pracowali wykładowcy.

• Laboratorium - 30 godzin
• Wykład - 30 godzin

Przedmiot porusza tematykę problemów i zagadnień występujących przy realizacji systemów rozproszonych o bardzo dużej skali i jest oparty na doświadczeniach z rzeczywistej implementacji takiego systemu. Omówimy praktyczne aspekty budowy systemów o wysokiej przepustowości, procesujących petabajty danych dziennie w rozproszonych geograficznie centrach danych. Poruszymy typowe problemy oraz rozważymy decyzje związane z utrzymaniem i rozwojem takich systemów. Przyjrzymy się technikom efektywnej wymiany danych pomiędzy komponentami systemu, zagadnieniom związanym z przechowywaniem oraz procesowaniem dużej ilości danych. Zajmiemy się także praktycznymi aspektami organizacji infrastruktury wspomagającej uczenie maszynowe w realiach systemów o dużej skali.