Wierk - Wydział Informatyki, Elektroniczne Ramy Kwalifikacji

Karta Przedmiotu

Politechnika Białostocka									Wydział Informatyki
Kierunek studiów		Data Science							Poziom i forma studiów				pierwszego stopnia stacjonarne
Grupa przedmiotów / specjalność									Profil kształcenia				ogólnoakademicki
Nazwa przedmiotu		Uczenie maszynowe 1						E	Kod przedmiotu				DS1S3UM1
Nazwa przedmiotu		Uczenie maszynowe 1						E	Rodzaj zajęć				obowiązkowy
Formy zajęć i liczba godzin		W	Ć	L	P	Ps	T	S	Semestr				3
Formy zajęć i liczba godzin		30				30			Punkty ECTS				5
Program obowiązuje od											2025/2026
Przedmioty wprowadzające		Algebra liniowa 2 (DS1S2AL2), Analiza matematyczna 2 (DS1S2AM2), Podstawy programowania (DS1S1PPR), Rachunek prawdopodobieństwa (DS1S2RPR),
Cele przedmiotu		Przekazanie fundamentalnej wiedzy z zakresu uczenia maszynowego, ze szczególnym uwzględnieniem metod uczenia nadzorowanego i nienadzorowanego. Rozwój praktycznych umiejętności implementacji, oceny i dostrajania modeli uczenia maszynowego na rzeczywistych zbiorach danych. Odniesienia do frameworka edukacyjnego mikrokompetencji SFIA: Machine Learning MLNG - poziom 3 Data Science DATS - poziom 3 Data Engineering DENG - poziom 2 Programming/Software Development PROG - poziom 2 Data Analytics DAAN - poziom 2
Ramowe treści programowe		Podstawy teoretyczne uczenia maszynowego, teoria uczenia statystycznego. Metody uczenia nadzorowanego: klasyfikacja i regresja, od modeli liniowych po złożone modele drzewiaste. Uczenie nienadzorowane: klastrowanie i redukcja wymiarowości. Metody zespołowe, walidacja i ocena modeli, strojenie hiperparametrów. Przetwarzanie danych, regularyzacja, ocena jakości modeli.
Inne informacje o przedmiocie		przedmiot ma związek z prowadzoną na Uczelni działalnością naukową
Wyliczenie:		Nakład pracy studenta związany z:											Godzin ogółem	W tym kontaktowych	W tym praktycznych
		udziałem w wykładach											30	30
		udziałem w innych formach zajęć											30	30	30
		indywidualnym wsparciem merytorycznym procesu uczenia się, udziałem w egzaminie i zaliczeniach organizowanych poza planem zajęć											4	4
		przygotowaniem do egzaminu											10
		przygotowaniem do bieżących zajęć											51		51
										Razem godzin:			125	64	81
										Razem punktów ECTS:			5	2.6	3.2
Zakładane kierunkowe efekty uczenia się													Wiedza	Umiejętności	Kompetencje społeczne
													DS1_W02	DS1_U05
													DS1_W05	DS1_U06
													DS1_W07	DS1_U09
													DS1_W09	DS1_U10
													DS1_W16	DS1_U17
													DS1_W17	DS1_U19
Cele i treści ramowe sformułował(a)			dr hab. inż. Małgorzata Krętowska										Data:		29/05/2025
Realizacja w roku akademickim								2026/2027
Treści programowe
		Wykład
		1.	Wprowadzenie do uczenia maszynowego: podstawowe pojęcia i definicje, typy uczenia maszynowego, przykłady zastosowań, charakterystyka problemów ML.
		2.	Teoretyczne podstawy ML: teoria uczenia statystycznego, PAC learning, kompromis między obciążeniem a wariancją, problem nadmiernego dopasowania.
		3.	Preprocessing i inżynieria cech: przygotowanie danych, transformacje, selekcja i ekstrakcja cech, problem wymiarowości, obsługa danych niezbalansowanych.
		4.	Regresja liniowa: model regresji prostej i wielorakiej, metoda najmniejszych kwadratów, założenia modelu, diagnostyka i interpretacja.
		5.	Zaawansowane metody regresji: regresja wielomianowa, regresja z regularyzacją (ridge, lasso, elastic net), funkcje sklejane.
		6.	Regresja logistyczna, analiza dyskryminacyjna.
		7.	Drzewa decyzyjne.
		8.	Ewaluacja i dostrajanie modeli: metody walidacji, miary jakości, krzywe ROC/PR, strojenie hiperparametrów, wybór modelu.
		9.	Maszyny wektorów nośnych (SVM).
		10.	Metody jądrowe.
		11.	Metody zespołowe: lasy losowe, bagging, boosting (AdaBoost, Gradient Boosting), stacking, konstrukcja i optymalizacja zespołów klasyfikatorów.
		12.	Uczenie nienadzorowane.
		13.	Uczenie nienadzorowane: algorytmy klastrowania (k-means, hierarchiczne, spektralne).
		14.	Redukcja wymiarowości (PCA).
		15.	Obsługa danych niezbalansowanych.
		Pracownia specjalistyczna
		1.	Wprowadzenie do narzędzi ML: konfiguracja środowiska Python, Jupyter Notebook, podstawy bibliotek NumPy, Pandas, Scikit-learn, pierwsze eksperymenty z danymi.
		2.	Eksploracyjna analiza danych (EDA): ładowanie i wizualizacja danych, statystyki opisowe, analiza rozkładów i korelacji, identyfikacja outlierów.
		3.	Preprocessing danych: czyszczenie danych, obsługa brakujących wartości, kodowanie zmiennych kategorycznych, skalowanie i normalizacja.
		4.	Regresja liniowa.
		5.	Regularyzacja.
		6.	Podstawowe modele klasyfikacji.
		7.	Zaawansowane modele klasyfikacji.
		8.	Metody zespołowe: bagging, boosting, stacking, wybór i optymalizacja modeli zespołowych.
		9.	Uczenie nienadzorowane: algorytmy klastrowania (k-means, hierarchiczne).
		10.	Redukcja wymiarowości (PCA), wizualizacja wyników.
		11.	Projekt końcowy.
		12.	Projekt końcowy.
		13.	Projekt końcowy.
		14.	Projekt końcowy.
		15.	Zaliczenie pracowni specjalistycznej.
Metody dydaktyczne (realizacja stacjonarna)
		W	wykład problemowy; wykład konwersatoryjny; wykład z prezentacją multimedialną
		Ps	realizacja sprawozdań; relizacja projektów
Metody dydaktyczne (realizacja zdalna)
		W	wykład problemowy; wykład konwersatoryjny; wykład z prezentacją multimedialną
		-
Forma zaliczenia
		W	egzamin pisemny z pytaniami otwartymi i zamkniętymi
		Ps	sprawozdania; projekty
Warunki zaliczenia
		W	Uzyskanie min. 30% z każdego E1-E2, a po spełnieniu tego warunku ostateczna ocena wynika z sumy uzyskanych punktów. Kryteria oceny: [ 0 – 50]% punktów – 2.0 (50 – 60]% punktów – 3.0 (60 – 70]% punktów – 3.5 (70 – 80]% punktów – 4.0 (80 – 90]% punktów – 4.5 (90 – 100]% punktów – 5.0
		Ps	Uzyskanie min. 30% z każdego E3-E4, a po spełnieniu tego warunku ostateczna ocena wynika z sumy uzyskanych punktów. Kryteria oceny: [ 0 – 50]% punktów – 2.0 (50 – 60]% punktów – 3.0 (60 – 70]% punktów – 3.5 (70 – 80]% punktów – 4.0 (80 – 90]% punktów – 4.5 (90 – 100]% punktów – 5.0
Symbol efektu		Zakładane efekty uczenia się											Odniesienie do efektów uczenia się zdefiniowanych dla kierunku studiów
Symbol efektu		Zakładane efekty uczenia się											Wiedza	Umiejętności	Kompetencje społeczne
	Wiedza: student zna i rozumie
E1		podstawowe algorytmy i metody uczenia maszynowego											DS1_W02 DS1_W05 DS1_W07 DS1_W09 DS1_W16
E2		metody oceny i walidacji modeli uczenia maszynowego											DS1_W07 DS1_W17
	Umiejętności: student potrafi
E3		przygotowywać dane do uczenia maszynowego												DS1_U05 DS1_U09 DS1_U19
E4		implementować, oceniać i dostrajać modele uczenia maszynowego												DS1_U06 DS1_U09 DS1_U10 DS1_U17 DS1_U19
Symbol efektu		Sposób weryfikacji efektu uczenia się										Forma zajęć na której zachodzi weryfikacja
E1		egzamin pisemny										W
E2		egzamin pisemny										W
E3		ocena sprawozdań i projektów										Ps
E4		ocena sprawozdań i projektów										Ps
Literatura podstawowa
		1.	A. Król-Nowak, K. Kotarba, Podstawy uczenia maszynowego, Wydawnictwo AGH, 2022
		2.	C. Janiesch, P. Zschech, K. Heinrich, Machine Learning and Deep Learning, Springer, 2021
		3.	A. J. Gutman, J. Goldmeier, Analityk danych: przewodnik po data science, statystyce i uczeniu maszynowym, Helion, Gliwice, 2023
		4.	G. James, D. Witten, T. Hastie, R. Tibshirani, An Introduction to Statistical Learning with Applications in Python, Springer 2023
		5.	Hearty, J., Zaawansowane uczenie maszynowe z językiem Python, Helion, 2017
Literatura uzupełniająca
		1.	D. Stephenson, Big Data, nauka o danych i AI bez tajemnic: podejmuj lepsze decyzje i rozwijaj swój biznes!, Helion, Gliwice, 2020
		2.	J. Szymański (red.), Uczenie maszynowe i systemy rozproszone, Wydawnictwo Politechniki Gdańskiej, 2021
Koordynator przedmiotu:		dr hab. Marek J. Drużdżel, dr hab. inż. Małgorzata Krętowska, dr inż. Urszula Kużelewska, dr inż. Tomasz Łukaszuk											Data:		03/03/2025