Machine learning

obowiązkowe

Celem przedmiotu jest zapoznanie studentów z algorytmami uczenia maszynowego mającymi obecnie bardzo szerokie zastosowanie w praktycznej analizie dużych zbiorów danych. Po tym przedmiocie student będzie posiadał umiejętność praktycznej implementacji algorytmów uczenia maszynowego przy wykorzystaniu specjalistycznych bibliotek popularnego programu Python. Założeniem przedmiotu jest przygotowanie studentów do rozwiązywania praktycznych problemów przy wykorzystaniu sieci neuronowych oraz innych poznanych metod uczenia maszynowego.

Zakres tematyczny:

1. Python:

- definiowanie zmiennych;

- podstawowe typy danych;

- pętle;

- instrukcje warunkowe;

- definiowanie funkcji, klas;

- iteratory, generatory;

- operacje na plikach (w tym konteksty with)

2. Biblioteki do analizy danych w języku python: jupyter, pandas, scikit-learn .

3. Asocjacje - analiza koszyka zakupów + wykrywanie wzorców częstych (fp-tree, prefixspan).

4. Systemy rekomendacyjne, PageRank.

5. TextMining w Pythonie.

6. Podejście probablistyczne na przykładach - co to jest model probablistyczny.

7. Dimensionality Reduction/Representation learning.

8. Podstawy ekstrakcji informacji z danych tekstowych z użyciem Open Sourcowych bibliotek Pythona

9. Analiza dużych zbiorów tekstowych przy pomocy systemu subMIND.AI.

10. Podejście probablistyczne na przykładach - co to jest model probablistyczny.

11. Dimensionality Reduction/Representation learning.

12. Konstruowanie sieci neuronowych.

- wykorzystanie sieci neuronowych do klasyfikacji języków

- uwagi przygotowawcze

- projekt kodowania i testowania

- dane

- pisanie testu podstawowego dla języka

- przejście do klasy network

- dostrajanie sieci neuronowej

- precyzja i czułość w sieciach neuronowych

- podsumowanie przykładu.

Literatura obowiązkowa

1. M. Gągolewski, M. Bartoszuk, A. Cena, Przetwarzanie i analiza danych w języku Python, PWN, 2016

2. W. Richert, L.P. Coelho, Building Machine Learning Systems with Python, Packt Publishing, 2013

3. M. Szeliga, Data science i uczenie maszynowe, Wydawnictwo naukowe PWN, Warszawa, 2017.

4. T. Morzy, Eksploracja danych – metody i algorytmy, Wydawnictwo naukowe PWN, Warszawa, 2013.

5. Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer, 2007

Literatura uzupełniająca

6. J. Koronacki, J. Ćwik: Statystyczne systemy uczące się. Wydanie drugie, EXIT, Warszawa, 2007

7. W. McKinney, Python for Data Analysis. Data Wrangling with Pandas, NumPy, and IPython, O'Reilly Media, 2012

8.D.T. Larose, Metody i modele eksploracji danych, Wydawnictwo naukowe PWN, Warszawa, 2012.

Po ukończeniu przedmiotu student:

Wiedza

- student ma wiedzę na temat metod i algorytmów uczenia maszynowego;

- student rozumie potrzebę poszerzania swojej wiedzy i praktycznych umiejętności w zakresie metod uczenia maszynowego; potrafi w sposób samodzielny i kreatywny wybrać odpowiednie rozwiązanie dla określonego problemu badawczego.

Umiejętności

- student potrafi korzystać z pakietów programu Python dedykowanych algorytmom uczenia maszynowego;

- potrafi przygotować dokumentację zaimplementowanego rozwiązania ze szczegółowym omówieniem wyników, wyciągnąć wnioski oraz wyczerpująco je uzasadnić.

Metody dydaktyczne:

Laboratorium: rozwiązywanie problemów badawczych za pomocą algorytmów uczenia maszynowego przy wykorzystaniu specjalistycznych bibliotek programu Python. Dyskusja. Praca w zespole.

Kryteria oceniania:

Ocena z laboratorium wystawiana będzie na podstawie wyników z projektów (80%) oraz aktywności i obecności na zajęciach (20%).