| Przedmiot | Liczba godzin | Punkty ECTS | Forma weryfikacji | Obligatoryjność |
|---|---|---|---|---|
|
Wykład: 4 |
1 | Zaliczenie | Obowiązkowy |
|
Wykład: 2 Ćwiczenia laboratoryjne: 18 |
2 | Zaliczenie | Obowiązkowy |
|
Wykład: 10 Ćwiczenia laboratoryjne: 14 |
3 | Zaliczenie | Obowiązkowy |
|
Wykład: 10 Ćwiczenia laboratoryjne: 14 |
3 | Zaliczenie | Obowiązkowy |
|
Ćwiczenia laboratoryjne: 20 |
2 | Zaliczenie | Obowiązkowy |
|
Wykład: 6 Ćwiczenia laboratoryjne: 14 |
3 | Zaliczenie | Obowiązkowy |
|
Wykład: 6 Ćwiczenia laboratoryjne: 14 |
3 | Zaliczenie | Obowiązkowy |
|
Wykład: 4 Ćwiczenia laboratoryjne: 16 |
3 | Zaliczenie | Obowiązkowy |
| Suma | 152 | 20 |
Kierunek brak
Zakres tematyczny
W zakres studiów wchodzi pogłębiona wiedza teoretyczna i praktyczna z zakresu statystyki z wykorzystaniem języka R, rachunku macierzowego, baz danych relacyjnych oraz NoSQL, zaawansowanych metod eksploracji danych, sieci neuronowych, uczenia głębokiego, uczenia ze wzmocnieniem, uczenia z oraz bez nadzoru, przetwarzania języka naturalnego, analizy dużych zbiorów danych oraz prawnych aspektów analityki danych. Ponadto uczestnicy zapoznają się z narzędziami do analityki danych dostępnymi w bibliotekach języka python, nowoczesnymi metodami wizualizacji danych oraz utrwalą swoje umiejętności przy realizacji laboratoriów i projektów m.in. z analizy danych w life sciences, analizy dużych zbiorów danych oraz opracowania danych sondażowych i pomiarowych. Studia te oferują w jednym miejscu usystematyzowaną wiedzę i umiejętności zdobywane do tej pory przez pracowników na własną rękę na licznych nie związanych ze sobą kursach internetowych i szkoleniach.
Do kogo adresowane są studia podyplomowe
Studia podyplomowe Uczenie maszynowe w analityce danych kierowane są do osób, które posiadają już podstawową wiedzę w zakresie informatyki i analityki danych lub pracują na stanowiskach związanych z szeroko pojętym Data Science. Studia pozwolą uporządkować posiadaną wiedzę i rozszerzyć ją w sposób znaczący o zaawansowane metody sztucznej inteligencji stosowanej do eksploracji i przetwarzania różnych typów danych. W szczególności kierowane są do osób zainteresowanych tematyką uczenia maszynowego oraz Big Data chcących podjąć pracę w międzynarodowych firmach korzystających z rozwiązań opartych na systemach uczących się.
Kierownik studiów podyplomowych
dr Małgorzata Zajęcka, mzajecka@agh.edu.pl
Organizator studiów podyplomowych
Instytut Informatyki AGH, tel.: +48 12 328 34 00, e-mail: informatyka@agh.edu.pl
Osoba do kontaktu
mgr inż. Paulina Mularczyk-Mędrykowska, tel. +48 12 328 33 21, mail: paula@agh.edu.pl
| Przedmiot | Liczba godzin | Punkty ECTS | Forma weryfikacji | Obligatoryjność |
|---|---|---|---|---|
|
Wykład: 14 Ćwiczenia laboratoryjne: 14 |
4 | Zaliczenie | Obowiązkowy |
|
Wykład: 8 Ćwiczenia laboratoryjne: 12 |
3 | Zaliczenie | Obowiązkowy |
|
Wykład: 4 Ćwiczenia laboratoryjne: 4 |
1 | Zaliczenie | Obowiązkowy |
|
Wykład: 4 Ćwiczenia laboratoryjne: 16 |
2 | Zaliczenie | Obowiązkowy |
|
Wykład: 4 Ćwiczenia laboratoryjne: 12 |
2 | Zaliczenie | Obowiązkowy |
|
Wykład: 6 |
1 | Zaliczenie | Obowiązkowy |
|
Wykład: 2 Ćwiczenia laboratoryjne: 2 |
1 | Zaliczenie | Obowiązkowy |
|
Ćwiczenia laboratoryjne: 10 Ćwiczenia projektowe: 5 |
1 | Zaliczenie | Obowiązkowy |
|
Ćwiczenia laboratoryjne: 16 |
1 | Zaliczenie | Obowiązkowy |
| Suma | 133 | 16 |