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

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.

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.

wykład konwersatoryjny,   wykład problemowy,   wykład z prezentacją multimedialną,   programowanie z użyciem komputera,  

W: egzamin pisemny z pytaniami otwartymi i zamkniętymi
Ps: sprawozdania; projekty

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

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