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

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.

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.

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

W: egzamin pisemny z pytaniami otwartymi
Ps: sprawozdania; projekt

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

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