Wierk - Wydział Informatyki, Elektroniczne Ramy Kwalifikacji

Wydział Informatyki
Kierunek studiów	Matematyka Stosowana							Poziom i forma studiów	drugiego stopnia stacjonarne
Specjalność / Ścieżka dyplomowania	Analityka Danych i Modelowanie Matematyczne							Profil kształcenia	praktyczny
Nazwa przedmiotu	Wprowadzenie do uczenia maszynowego							Kod przedmiotu	MAT2WUM
								Rodzaj przedmiotu	obowiązkowy
Forma zajęć i liczba godzin	W	Ć	L	P	Ps	T	S	Semestr	2
	30				30			Punkty ECTS	4
Przedmioty wprowadzające
Cele przedmiotu	Przedmiot powinien dać słuchaczowi umiejętność samodzielnego doboru i stosowania metod i algorytmów do zadań eksploracji danych często spotykanych w praktyce. Szczególna uwaga zostanie zwrócona na aspekty obliczeniowe związane z realizacją zadań eksploracji dużych zbiorów danych. Analizowane będą też przykłady zastosowań wybranych metod i algorytmów wykrywania prawidłowości (wzorców) w dużych zbiorach danych.
Treści programowe	Wykład oraz pracownia specjalistyczna: 1. Wstępna obróbka danych. 2. Wybór zmiennych do analizy. 3. Metoda składowych głównych. 4. Metody klasyfikacji (liniowe i nieliniowe reguły decyzyjne, bayesowskie reguły decyzyjne), regresji, grupowania. 5. Ocena klasyfikatorów. 6. Drzewa klasyfikacyjne i regresyjne. 7. Metody odkrywania asocjacji w danych, wzorców sekwencji. 8. Analiza przeżycia. 9. Skalowanie wielowymiarowe. 10. Liniowa separowalność wielowymiarowych zbiorów danych, lineryzacja zbiorów danych przez rangowe warstwy klasyfikatorów binarnych.
Metody dydaktyczne	programowanie z użyciem komputera, metoda projektów, wykład informacyjny, ćwiczenia przedmiotowe,
Forma zaliczenia	Wykład: kolokwium zaliczeniowe. Pracownia specjalistyczna: ocena sprawozdań, sprawdziany przygotowania do zajęć, wykonanie projektu, obrona projektu.
Symbol efektu uczenia się	Zakładane efekty uczenia się								Odniesienie do kierunkowych efektów uczenia się
EU1	zna i stosuje podstawowe metody, techniki i narzędzia wykorzystywane przy eksploracji danych								K_W02 K_W06 K_W07 K_U01
EU2	potrafi wykorzystać poznane metody i modele matematyczne do analizy i oceny algorytmów oraz do analizy danych								K_W06 K_W08 K_U01 K_U08 K_U12
EU3	potrafi konstruować modele w obszarze eksploracji danych i umiejętnie posługiwać się nimi								K_U08 K_U12 K_K05
EU4	potrafi praktycznie stosować podstawowe metody, techniki i narzędzia do eksploracji danych								K_U07 K_U08
Symbol efektu uczenia się	Sposób weryfikacji efektu uczenia się								Forma zajęć na której zachodzi weryfikacja
EU1	kolokwium zaliczające wykład, sprawdziany przygotowania do zajęć, ocena sprawozdań								W, Ps
EU2	ocena projektu, obrona projektu, ocena sprawozdań								Ps
EU3	ocena projektu, obrona projektu, ocena sprawozdań								Ps
EU4	ocena projektu, obrona projektu								Ps
Bilans nakładu pracy studenta (w godzinach)									Liczba godz.
Wyliczenie
	1 - Udział w wykładach								30
	2 - Udział w zajęciach praktycznych								30
	3 - Opracowanie sprawozdań i wykonanie zadań domowych								15
	4 - Udział w konsultacjach								3
	5 - Realizacja zadań projektowych (w tym przygotowanie prezentacji)								17
	6 - Przygotowanie do zaliczenia								5
RAZEM:									100
Wskaźniki ilościowe									GODZINY	ECTS
Nakład pracy studenta związany z zajęciami wymagającymi bezpośredniego udziału nauczyciela									63 (4)+(1)+(2)	2.5
Nakład pracy studenta związany z zajęciami o charakterze praktycznym									62 (3)+(5)+(2)	2.5
Literatura podstawowa	1. A. M. Kwiatkowska, Systemy wspomagania decyzji, PWN, Warszawa, 2007. 2. P. Kulczycki, O. Hryniewicz, J. Kacprzyk, Techniki informacyjne w badaniach systemowych, WNT, Warszawa, 2007. 3. J. Koronacki, J. Ćwik, Statystyczne systemy uczące się, WNT, Warszawa, 2005. 4. Uczelnia on-line (http://wazniak.mimuw.edu.pl/) Projekt sfinansowano ze środków Europejskiego Funduszu Społecznego z programu Sektorowy Program Operacyjny Rozwój Zasobów Ludzkich 2004 - 2006
Literatura uzupełniająca	1. L. Bobrowski, Eksploracja danych oparta na wypukłych i odcinkowo-liniowych funkcjach kryterialnych, Wydawnictwa Politechniki Białostockiej, Białystok, 2005. 2. R. O. Duda, P. O. Hart, Pattern Classification and Scene Analysis, John Wiley, wydanie drugie, New York, 2001. 3. R. A. Johnson, D. W. Wichern, Applied Multivariate Statistical Analysis, Prentiice-Hall, Inc.,Englewood Cliffs, New York, 1991.
Jednostka realizująca	Katedra Oprogramowania								Data opracowania programu
Program opracował(a)	dr inż. Magdalena Topczewska								2020.04.06