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 2						E	Kod przedmiotu				DS1S4UM2
Nazwa przedmiotu		Uczenie maszynowe 2						E	Rodzaj zajęć				obowiązkowy
Formy zajęć i liczba godzin		W	Ć	L	P	Ps	T	S	Semestr				4
Formy zajęć i liczba godzin		30				30			Punkty ECTS				5
Program obowiązuje od											2025/2026
Przedmioty wprowadzające		Podstawy optymalizacji (DS1S3POP), Statystyka matematyczna (DS1S3SMA), Uczenie maszynowe 1 (DS1S3UM1),
Cele przedmiotu		Przekazanie zaawansowanej wiedzy z zakresu uczenia maszynowego, ze szczególnym uwzględnieniem nowoczesnych metod i ich praktycznych zastosowań. Rozwój umiejętności implementacji złożonych systemów ML oraz ich optymalizacji. Odniesienia do frameworka edukacyjnego mikrokompetencji SFIA: Machine Learning (MLNG) - poziom 3: implementacja i dostrajanie modeli uczenia maszynowego Data Science (DATS) - poziom 3: ocena i porównywanie modeli, interpretacja wyników Data Engineering (DENG) - poziom 2: przygotowanie i przetwarzanie danych dla modeli ML Programming/Software Development (PROG) - poziom 2: implementacja algorytmów i modeli Data Analytics (DAAN) - poziom 2: analiza i wizualizacja wyników
Ramowe treści programowe		Sztuczne sieci neuronowe. Zaawansowane metody zespołowe. Uczenie przez wzmacnianie. Interpretacja modeli ML. Automatyczne uczenie maszynowe. Optymalizacja hiperparametrów. Metody probabilistyczne w ML. Projektowanie i wdrażanie modeli ML z uwzględnieniem zasad zrównoważonego rozwoju, w tym ich wpływu na środowisko, energochłonność i odpowiedzialność społeczną.
Inne informacje o przedmiocie		treści przedmiotu odwołują się do zasad zrównoważonego rozwoju
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_W03	DS1_U05
													DS1_W07	DS1_U06
													DS1_W09	DS1_U08
													DS1_W16	DS1_U09
													DS1_W19	DS1_U10
														DS1_U15
														DS1_U17
														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.	Podstawy sieci neuronowych.
		2.	Reguła perceptronowa.
		3.	Reguła LMS.
		4.	Perceptron wielowarstwowy i algorytm wstecznej propagacji błędu.
		5.	Algorytmy uczenia sieci neuronowych.
		6.	Architektury CNN. Warstwy konwolucyjne i pooling. Transfer learning. Popularne architektury (ResNet, Inception, EfficientNet).
		7.	Uczenie wielozadaniowe i transfer learning. Współdzielenie wiedzy między modelami. Fine-tuning modeli pretrenowanych. Znaczenie wyboru strategii uczenia i jej znaczenie dla zapotrzebowania na zasoby obliczeniowe i pamięciowe. Nawiązanie do zagadnień zrównoważonego rozwoju.
		8.	Zaawansowane metody zespołowe. XGBoost, LightGBM i CatBoost. Stacking i blending. Optymalizacja modeli zespołowych.
		9.	Uczenie przez wzmacnianie. Podstawy RL, algorytmy policy-based i value-based. Deep Reinforcement Learning.
		10.	Interpretacja modeli ML. Metody wyjaśnialne AI (XAI). SHAP, LIME, interpretacja modeli głębokich.
		11.	Automatyczne uczenie maszynowe. AutoML, Neural Architecture Search. Optymalizacja hiperparametrów. Zapotrzebowanie na zasoby obliczeniowe i pamięciowe w kontekście zrównoważonego rozwoju.
		12.	Metody probabilistyczne w ML. Wnioskowanie bayesowskie. Gaussian Processes. Probabilistic Graphical Models.
		13.	Analiza przeżycia.
		14.	Uczenie półnadzorowane i aktywne. Metody wykorzystania danych nieoznaczonych. Strategie wyboru próbek do oznaczenia.
		15.	ML w produkcji. Monitoring modeli, wykrywanie dryfu koncepcyjnego. A/B testing. Wersjonowanie modeli.
		Pracownia specjalistyczna
		1.	Funkcje aktywacji neuronów.
		2.	Reguła perceptronowa.
		3.	Reguła LMS.
		4.	Problem XOR.
		5.	Perceptron wielowarstwowy.
		6.	Architektury CNN.
		7.	Transfer learning. Współdzielenie wiedzy między modelami. Fine-tuning modeli pretrenowanych.
		8.	Zaawansowane metody zespołowe.
		9.	Optymalizacja modeli zespołowych. Elementy optymalizacji architektury modeli, wydajności obliczeniowej i pamięciowej w kontekście zrównoważonego rozwoju.
		10.	Uczenie przez wzmacnianie.
		11.	Interpretacja modeli ML.
		12.	Wnioskowanie bayesowskie.
		13.	Projekt.
		14.	Projekt.
		15.	Zaliczenie zajęć.
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
		Ps	sprawozdania; projekt
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		zaawansowane metody i techniki uczenia maszynowego											DS1_W03 DS1_W07 DS1_W09
E2		zasady projektowania i optymalizacji złożonych systemów ML, także z uwzględnieniem wytycznych i zasad zrównoważonego rozwoju											DS1_W09 DS1_W16 DS1_W19
	Umiejętności: student potrafi
E3		implementować zaawansowane modele ML, w szczególności z uwzględnieniem zapotrzebowania na zasoby obliczeniowe i pamięciowe zgodnie z koncepcjami zrównoważonego rozwoju												DS1_U05 DS1_U06 DS1_U08 DS1_U09 DS1_U10 DS1_U15 DS1_U17 DS1_U19
E4		projektować, optymalizować i interpretować działanie systemów ML, w szczególności mając na uwadze zasady zrównoważonego rozwoju												DS1_U08 DS1_U09 DS1_U15 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		wykonanie sprawozdań i projektu										Ps
E4		wykonanie sprawozdań i projektu										Ps
Literatura podstawowa
		1.	C. C. Aggarwal, Neural networks and deep learning. Vol. 10. No. 978. Cham: Springer, 2018
		2.	R. S.Sutton,A. G. Barto, F. Bach, Reinforcement Learning, MIT Press Ltd, 2018
		3.	S. J. Russell, P. Norvig, Artificial Intelligence: A Modern Approach (4. edycja), Pearson, 2020
		4.	C. Wade, K. Glynn, Hands-On Gradient Boosting with XGBoost and scikit-learn, Packt, 2020
		5.	C. Molnar, Interpretable Machine Learning, Independently Published, 2020
Literatura uzupełniająca
		1.	A. Plaat, Deep Reinforcement Learning: a textbook, Springer, 2022
		2.	K. P.Murphy, Probabilistic Machine Learning: An Introduction, MIT Press, 2022
		3.	F. Hutter, L. Kotthoff, J. Vanschoren, Automated Machine Learning: Methods, Systems, Challenges, Springer, 2019
		4.	A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, O'Reilly Media, 2019
Koordynator przedmiotu:		dr hab. Marek J. Drużdżel, dr hab. inż. Małgorzata Krętowska, dr inż. Urszula Kużelewska, dr inż. Tomasz Łukaszuk											Data:		03/03/2025