Uczenie maszynowe i sieci neuronowe WM-I-S1-E5-UMSN
Celem przedmiotu jest przekazanie wiedzy i umiejętności z zakresu analizy danych oraz podstaw uczenia maszynowego, w tym sieci neuronowych. Na zajęciach studenci zostaną zapoznani z podstawowymi metodami analizy danych i modelami uczenia maszynowego w języku R i Python. Nabywają umiejętności: załadowania zbioru danych, zidentyfikowania jego wad oraz ich poprawy, dobrania odpowiedniego modelu oraz jego oceny. Zapoznają się również z popularnymi bibliotekami w językach R i Python służących do analizy danych.
Dyscyplina naukowa, do której odnoszą się efekty uczenia się
E-Learning
W cyklu 2024/25_Z: E-Learning | W cyklu 2023/24_Z: E-Learning (pełny kurs) z podziałem na grupy | W cyklu 2022/23_Z: E-Learning (pełny kurs) z podziałem na grupy | W cyklu 2021/22_Z: E-Learning (pełny kurs) z podziałem na grupy |
Grupa przedmiotów ogólnouczenianych
Opis nakładu pracy studenta w ECTS
W cyklu 2023/24_Z: WYKŁAD
Szacunkowy nakład pracy studenta:
- uczestnictwo w zajęciach: 30h,
- uczestnictwo w egzaminie: 3h,
- konsultacje z prowadzącym: 3h,
- przygotowanie do zajęć: 5h,
- przygotowanie do egzaminu: 35h,
razem 76h, co odpowiada 3 ECTS.
LABORATORIA:
Szacunkowy nakład pracy studenta:
- uczestnictwo w zajęciach: 30h,
- uczestnictwo w kolokwium: 2h,
- konsultacje z prowadzącym: 3h,
- przygotowanie do zajęć: 5h,
- przygotowanie projektu: 35h,
razem 76h, co odpowiada 3 ECTS. | W cyklu 2024/25_Z: WYKŁAD
Szacunkowy nakład pracy studenta:
- uczestnictwo w zajęciach: 30h,
- uczestnictwo w egzaminie: 3h,
- konsultacje z prowadzącym: 3h,
- przygotowanie do zajęć: 5h,
- przygotowanie do egzaminu: 35h,
razem 76h, co odpowiada 3 ECTS.
LABORATORIA:
Szacunkowy nakład pracy studenta:
- uczestnictwo w zajęciach: 30h,
- uczestnictwo w kolokwium: 2h,
- konsultacje z prowadzącym: 3h,
- przygotowanie do zajęć: 5h,
- przygotowanie projektu: 35h,
razem 76h, co odpowiada 3 ECTS. | W cyklu 2022/23_Z: WYKŁAD
Szacunkowy nakład pracy studenta:
- uczestnictwo w zajęciach: 30h,
- uczestnictwo w egzaminie: 3h,
- konsultacje z prowadzącym: 3h,
- przygotowanie do zajęć: 5h,
- przygotowanie do egzaminu: 35h,
razem 76h, co odpowiada 3 ECTS.
LABORATORIA:
Szacunkowy nakład pracy studenta:
- uczestnictwo w zajęciach: 30h,
- uczestnictwo w kolokwium: 2h,
- konsultacje z prowadzącym: 3h,
- przygotowanie do zajęć: 5h,
- przygotowanie projektu: 35h,
razem 76h, co odpowiada 3 ECTS. |
Poziom przedmiotu
Symbol/Symbole kierunkowe efektów uczenia się
Typ przedmiotu
W cyklu 2023/24_Z: fakultatywny ograniczonego wyboru | W cyklu 2024/25_Z: obowiązkowy |
Wymagania wstępne
Koordynatorzy przedmiotu
W cyklu 2024/25_Z: | W cyklu 2023/24_Z: | W cyklu 2021/22_Z: | W cyklu 2022/23_Z: |
Efekty kształcenia
wykład
W1 Student zna i rozumie teoretyczne i techniczne podstawy analizy danych oraz uczenia maszynowego, w tym sieci neuronowych, zna metody oceny jakość modeli (I1_W14).
U1 Student potrafi stosować w wybranej dziedzinie narzędzia i metody analizy danych oraz uczenia maszynowego, w tym sieci neuronowych, w języku R (I1_U18).
laboratoria
W1 Student zna i rozumie teoretyczne i techniczne podstawy analizy danych oraz uczenia maszynowego, w tym sieci neuronowych, potrafi oceniać jakość modeli(I1_W14).
U1 Student potrafi stosować w wybranej dziedzinie narzędzia i metody analizy danych oraz uczenia maszynowego, w tym sieci neuronowych, w języku R (I1_U18).
Kryteria oceniania
Dla wszystkich efektów przyjmuje się następujące kryteria oceny we wszystkich formach weryfikacji:
ocena 5: osiągnięty w pełni (bez uchwytnych niedociągnięć),
ocena 4,5: osiągnięty niemal w pełni i nie są spełnione kryteria przyznania wyższej oceny,
ocena 4: osiągnięty w znacznym stopniu i nie są spełnione kryteria przyznania wyższej oceny,
ocena 3,5: osiągnięty w znacznym stopniu –z wyraźną przewagą pozytywów –i nie są spełnione kryteria przyznania wyższej oceny,
ocena 3: osiągnięty dla większości przypadków objętych weryfikacją i nie są spełnione kryteria przyznania wyższej oceny,
ocena 2: nie został osiągnięty dla większości przypadków objętych weryfikacją.
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: