KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 205/206 Z-ID-602 Wprowadzenie do uczenia maszynowego Introduction to Machine Learning A. USYTUOWANIE MODUŁU W SYSTEMIE STUDIÓW Kierunek studiów Poziom kształcenia Profil studiów Forma i tryb prowadzenia studiów Specjalność Jednostka prowadząca moduł Koordynator modułu Inżynieria danych I stopień Praktyczny Studia stacjonarne Wszystkie specjalności Katedra Inżynierii Produkcji Dr Małgorzata Lucińska Zatwierdził B. OGÓLNA CHARAKTERYSTYKA PRZEDMIOTU Przynależność do grupy/bloku przedmiotów Status modułu Język prowadzenia zajęć Usytuowanie modułu w planie studiów - semestr Usytuowanie realizacji przedmiotu w roku akademickim Wymagania wstępne Egzamin (TAK/NIE) Liczba punktów ECTS 4 Kierunkowy Obowiązkowy Polski Semestr VI Semestr letni Logika, Algorytmy i struktury danych, Eksploracja i przygotowanie danych do analiz, Podstawy modelowania zależności w danych, Odkrywanie związków w danych wielowymiarowych NIE Forma prowadzenia zajęć Liczba godzin w semestrze wykład w ćwiczenia ć laboratorium l projekt p 5 5 5 inne i
C. EFEKTY KSZTAŁCENIA I METODY SPRAWDZANIA EFEKTÓW KSZTAŁCENIA Cel modułu Zapoznanie z wybranymi systemami uczącymi się, ich podziałem ze względu na sposób wydobywania wiedzy z danych. Umiejętność wykorzystania narzędzi sztucznej inteligencji do rozwiązywania problemów technicznych lub ekonomicznych. Porównanie metod tradycyjnych z algorytmami inteligentnymi. Symbol efektu W_0 W_02 U_0 U_02 U_03 Efekty kształcenia Zna podstawowe paradygmaty, metody i algorytmy uczenia maszynowego w tym uczenia z nauczycielem i nienadzorowanego. Ma praktyczną wiedzę dotyczącą podstaw programowania w języku Octave/MATLAB w zakresie potrzebnym do implementowania algorytmów uczenia maszynowego. Potrafi wykorzystać poznane metody i modele uczenia maszynowego w systemach informatycznych, w tym uczenia z nauczycielem i nienadzorowanego. Umie ocenić przydatność różnych metod uczenia maszynowego do rozwiązywania różnego typu praktycznych problemów koncepcyjnych i technicznych. Potrafi konstruować elementarne algorytmy z wykorzystaniem technik algorytmicznych z obszaru uczenia maszynowego, w tym reprezentacji symbolicznych i numerycznych. Rozumie potrzebę doskonalenia i uzupełniania zdobytej wiedzy i umiejętności Forma prowadzenia zajęć w, l, p w, l, p kierunkowych K_W09 K_W3 K_W0 l, p K_U6 l, p K_U04 l, p K_U09 w, l, p K_K0 obszarowych TP_W02 TP_W04 TP_W03 TP_W04 XP_W02 TP_W04 TP_W07 TP_U05 TP_U08 TP_U09 TP_U3 TP_U6 TP_U08 TP_U09 TP_U0 TP_U5 XP_U02 XP_U03 TP_U4 TP_U5 TP_U6 TP_U7 TP_K0 XP_K0 XP_K05 2
Treści kształcenia. Treści kształcenia w zakresie wykładu Nr wykładu Treści kształcenia Podstawy uczenia maszynowego. Wiedza, informacja i dane. Problemy rozwiązywane przy pomocy systemów uczących się. Podział metod uczenia maszynowego. 2 Wprowadzenie do programowania w środowisku Octave/MATLAB. 3 4 5 6 7 8 Sieci neuronowe jako forma reprezentacji wiedzy. Pojęcie sztucznego neuronu. Przykłady sztucznych sieci neuronowych. Uczenie nadzorowane na przykładzie uczenia sieci neuronowych. Algorytm uczenia pojedynczego. Algorytm propagacji wstecznej. Uczenie nienadzorowane: systemy samoorganizujące się. Sieci Kohonena. Przykłady uczenia nienadzorowanego. Uczenie ze wzmocnieniem specyfika i przykłady. Algorytm Q-learning. Pojęcie funkcji celu. Różne strategie. Podstawy algorytmów genetycznych. Funkcja przystosowania, metody selekcji, krzyżowanie, mutacja. Zastosowania algorytmów genetycznych. Zastosowania metod uczenia maszynowego. Porównania jakości działania z metodami tradycyjnymi. kształcenia dla modułu W_02, U_02, U_03, U_0, 2. Treści kształcenia w zakresie ćwiczeń 3. Treści kształcenia w zakresie zadań laboratoryjnych Nr zajęć lab. 2 Treści kształcenia Zapoznanie z językiem programowania i środowiskiem Octave/MATLAB na podstawie prostych przykładów. Zapoznanie z językiem programowania i środowiskiem Octave/MATLAB na podstawie prostego algorytmu uczenia maszynowego. 3 Symulacja działania pojedynczego neuronu (Octave/MATLAB). 4-5 6 Budowa sztucznej sieci neuronowej, dobór odpowiedniej struktury i parametrów uczenia sieci (Octave/MATLAB). Implementacja algorytmu uczenia nienadzorowanego w środowisku Octave/MATLAB. Zastosowanie algorytmów genetycznych praca z dodatkiem Solver do 7 MS Excel. 8 Kolokwium. kształcenia dla modułu W_02, U_03, W_02, U_03,, U_0, U_02, U_03, U_0, U_02, U_03, U_0, U_02, U_03, U_02, 3
4. Charakterystyka zadań projektowych Studenci wykonują zadanie projektowe w oparciu o wiedzę i umiejętności zdobyte na zajęciach laboratoryjnych i wykładzie. Zadania projektowe dotyczą implementacji poznanych algorytmów uczenia maszynowego do rozwiązania problemów praktycznych. W trakcie zajęć powstaje algorytm programu a następnie kod w języku Octave/MATLAB. Ważnym elementem projektu jest ocena jakości proponowanego rozwiązania. Sprawozdania z zadań projektowych obejmują opis całego procesu powstawania aplikacji i podsumowanie wyników jej działania. 5. Charakterystyka zadań w ramach innych typów zajęć dydaktycznych Metody sprawdzania efektów kształcenia Symbol efektu W_0 W_02 U_0 U_02 U_03 Metody sprawdzania efektów kształcenia (sposób sprawdzenia, w tym dla umiejętności odwołanie do konkretnych zadań projektowych, laboratoryjnych, itp.) Zadania projektowe do samodzielnego wykonania na zajęciach. Zadania projektowe do samodzielnego wykonania na zajęciach. Obserwacja postawy studenta podczas zajęć. 4
D. NAKŁAD PRACY STUDENTA Bilans punktów ECTS Lp. Rodzaj aktywności Obciążenie studenta Jednostka. Udział w wykładach 5 h 2. Udział w ćwiczeniach 3. Udział w laboratoriach 5 h 4. Udział w zajęciach projektowych 5 h 5. Udział w konsultacjach (2-3 razy w semestrze) 2 h 6. Konsultacje projektowe 3 h 7. Udział w egzaminie 8. 9. Liczba godzin realizowanych przy bezpośrednim udziale nauczyciela akademickiego 50 h Liczba punktów ECTS, którą student uzyskuje na zajęciach 0. wymagających bezpośredniego udziału nauczyciela akademickiego,9 ECTS ( punkt ECTS=27 godzin obciążenia studenta). Samodzielne studiowanie tematyki wykładów 0 h 2. Samodzielne przygotowanie się do ćwiczeń 3. Samodzielne przygotowanie się do kolokwiów 4. Samodzielne przygotowanie się do laboratoriów 0 h 5. Wykonanie sprawozdań 20 h 6. Przygotowanie do kolokwium końcowego z laboratorium 5 h 7. Wykonanie projektu lub dokumentacji 3 h 8. Przygotowanie do egzaminu 9. 20. Liczba godzin samodzielnej pracy studenta 58 h Liczba punktów ECTS, którą student uzyskuje w ramach 2. samodzielnej pracy 2, ECTS ( punkt ECTS=27 godzin obciążenia studenta) 22. Sumaryczne obciążenie pracą studenta 08 h 23. Punkty ECTS za moduł punkt ECTS=27 godzin obciążenia studenta 4 ECTS 24. 25. Nakład pracy związany z zajęciami o charakterze praktycznym Suma godzin związanych z zajęciami praktycznymi Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym punkt ECTS=27 godzin obciążenia studenta 83 h 3, ECTS E. LITERATURA Wykaz literatury Witryna WWW modułu/przedmiotu. Cichosz P., Systemy uczące się, Wydawnictwa Naukowo-Techniczne, Warszawa 2000. 2. Dokumentacja Octave http://www.gnu.org/software/octave/. 3. Mitchell T., Machine Learning, McGraw-Hill, 997. 4. Osowski S., Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa 2000. 5. Rutkowski L., Metody i techniki sztucznej inteligencji, wydanie II rozszerzone, Wydawnictwo Naukowe PWN, Warszawa 2009. 5