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.