Wojskowa Akademia Techniczna - Centralny System Uwierzytelniania
Strona główna

Uczenie maszynowe

Informacje ogólne

Kod przedmiotu: WMTLACSM-UM-i
Kod Erasmus / ISCED: (brak danych) / (brak danych)
Nazwa przedmiotu: Uczenie maszynowe
Jednostka: Wydział Mechatroniki, Uzbrojenia i Lotnictwa
Grupy:
Punkty ECTS i inne: (brak) Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.

zobacz reguły punktacji
Język prowadzenia: polski
Forma studiów:

stacjonarne

Rodzaj studiów:

II stopnia

Rodzaj przedmiotu:

wybieralny

Pełny opis:

Wykład / metoda werbalno-wizualna z przykładami rozwiązań, metoda seminaryjna)

Wprowadzenie do uczenia maszynowego.

4

Liniowe metody klasyfikacji: klasyfikacja pod nadzorem; liniowa analiza dyskryminacyjna; dyskryminacja w oparciu o regresję liniową i logistyczną; diagnostyka modelu.

4

Klasyfikacja w oparciu o rozkłady prawdopodobieństwa: klasyfikator bayesowski i metoda największej wiarygodności; optymalność reguły Bayesa; praktyczna konstrukcja klasyfikatorów.

4

Klasyfikacja w oparciu o nieparametryczną estymację rozkładów prawdopodobieństwa: estymacja rozkładów w klasach; metoda najbliższych sąsiadów.

4

Drzewa klasyfikacyjne i rodziny klasyfikatorów: reguły podziału; reguły przycinania drzew; algorytmy bagging i boosting; lasy losowe.

4

Analiza regresji: globalne modele parametryczne; regresja nieparametryczna; efekty losowe i liniowe modele mieszane.

4

Uogólnienia metod liniowych: dyskryminacja elastyczna; maszyny wektorów podpierających.

4

Metody rzutowania i detekcja zmiennych ukrytych: systemy uczące się bez nadzoru; analiza składowych głównych; analiza czynnikowa; skalowanie wielowymiarowe.

4

Analiza skupień: metody kombinatoryczne; metody hierarchiczne.

4

Deep learning: głębokie sieci jednokierunkowe; regularyzacja; sieci splotowe; sieci rekurencyjne i rekursywne.

4

Sieci neuronowe. Perceptron Rosenblatta. 4

Ćwiczenia / metoda praktyczna

Tworzenie klasyfikatorów opartych na drzewach decyzyjnych.

4

Metody kernelowe: metoda wektorów nośnych (SVM).

4

Analiza głównych składowych (PCA).

4

Uczenie warstwowych sieci neuronowych.

4

Literatura:

Shalev-Shwartz, Shai; Ben-David, Shai Understanding machine learning: From theory to algorithms. 2014

Murphy, Kevin P. Machine Learninga probabilistic perspective. 2012

Ian Goodfellow, Yoshua Bengio, Aaron Courville Deep Learning. Systemy uczące się 2018

Timothy Masters Sieci neuronowe w praktyce Programowanie w języku C++. 1996

Paweł Cichosz Systemy uczące się 2000

Przedmiot nie jest oferowany w żadnym z aktualnych cykli dydaktycznych.
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Wojskowa Akademia Techniczna.
ul. gen. Sylwestra Kaliskiego 2, 00-908 Warszawa 46 tel: +48 261 839 000 https://www.wojsko-polskie.pl/wat/ kontakt deklaracja dostępności USOSweb 7.0.2.0-1 (2024-03-12)