Machine Learning - AGH University of Krakow Syllabus

Machine Learning

Course description sheet

Basic information

Field of study: Social Informatics
Major: All
Organisational unit: Faculty of Humanities
Study level: Second-cycle studies
Form of study: Full-time studies
Profile: Practical

Didactic cycle: 2025/2026
Course code: HIFSS.II1.03622.25
Lecture languages: Polish
Mandatoriness: Obligatory
Block: Core Modules
Course related to scientific research: Yes

Course coordinator

Mirosława Długosz

Lecturer

Mirosława Długosz

Period

Semester 1

Method of verification of the learning outcomes

Completing the classes

Activities and hours

Laboratory classes: 30
Lectures: 15

Number of ECTS credits

Goals

C1	Zapoznanie studentów z metodami uczenia maszynowego
C2	Przygotowanie studentów do praktycznego wykorzystania algorytmów uczenia maszynowego

Course's learning outcomes

Code	Outcomes in terms of	Learning outcomes prescribed to a field of study	Methods of verification
Knowledge – Student knows and understands:
W1	Student posiada elementarną wiedzę w zakresie praktycznych aspektów stosowania procedur uczenia maszynowego.	IFS2P_W09, IFS2P_W11, IFS2P_W12	Test, Report, Presentation, Oral answer
W2	Student zna narzędzia i środowiska do tworzenia systemów informatycznych wykorzystujących algorytmy uczenia maszynowego	IFS2P_W02, IFS2P_W04, IFS2P_W09	Test, Report, Presentation, Oral answer
W3	Student orientuje się w obecnym stanie oraz najnowszych osiągnięciach i trendach rozwojowych informatyki, w zakresie metod uczenia maszynowego	IFS2P_W07	Test, Report, Presentation, Oral answer
Skills – Student can:
U1	Student potrafi zastosować podstawowe narzędzia uczenia maszynowego w problemach technicznych oraz podsumować wyniki swojej pracy w postaci zwięzłej prezentacji lub/i referatu.	IFS2P_U10, IFS2P_U11, IFS2P_U12	Activity during classes, Test, Report, Presentation, Oral answer
U2	Student potrafi konstruować algorytmy z wykorzystaniem technik algorytmicznych z obszaru uczenia maszynowego	IFS2P_U11, IFS2P_U12	Activity during classes, Test, Report, Presentation, Oral answer
Social competences – Student is ready to:
K1	Student ma świadomość znaczenia interdyscyplinarnej wiedzy przy rozwiązywaniu problemów poznawczych i praktycznych.	IFS2P_K02	Activity during classes, Test, Oral answer
K2	Zna i rozumie potrzebę wykorzystania zaawansowanych metod uczenia maszynowego. Potrafi w sposób samodzielny i kreatywny wybrać odpowiednie rozwiązanie dla określonego problemu badawczego.	IFS2P_K01, IFS2P_K04	Activity during classes, Test, Oral answer

Student workload

Activity form	Average amount of hours* needed to complete each activity form
Laboratory classes	30
Lectures	15
Realization of independently performed tasks	30
Examination or final test/colloquium	2
Contact hours	3
Preparation for classes	30

Student workload	Hours 110
Workload involving teacher	Hours 45

* hour means 45 minutes

Program content

No.	Program content	Course's learning outcomes	Activities
1.	Laboratorium ML: Ćwiczenia laboratoryjne ilustrujące treść wykładów i pozwalające na opanowanie umiejętności związanych z praktycznym wykorzystaniem metod i algorytmów uczenia maszynowego. Poszczególne zajęcia będą służyły praktyczemu poznaniu zagadnień: - wstępnego przetwarzania danych (redukcja wymiarów, wizualizacja danych, wzbogacanie danych) - regresji, - klasyfikacji danych, - grupowania danych, - prognozowania - oceny i poprawy jakości modeli	W1, W2, W3, U1, U2, K1, K2	Laboratory classes
2.	Wykłady: treść wykładów obejmuje następujące zagadnienia Wprowadzenie do tematyki uczenia maszynowego Wstępne przetwarzanie danych: wizualizacja danych, redukcja wymiarowości (PCA), wzbogacanie danych Regresja liniowa jednej i wielu zmiennych Regresja logistyczna Klasyfikacja: algorytm k-najbliższych sąsiadów, drzewa decyzyjne, modele złożone, SVM, sieci Bayesa Regularyzacja (problem nadmiernego dopasowania, funkcja kosztu) Grupowanie Systemy rekomendacyjne i detekcja anomalii Prognozowanie	W1, U1, U2, K1	Lectures

No.

Program content

Course's learning outcomes

Activities

Laboratorium ML: Ćwiczenia laboratoryjne ilustrujące treść wykładów i pozwalające na opanowanie umiejętności związanych z praktycznym wykorzystaniem metod i algorytmów uczenia maszynowego.
Poszczególne zajęcia będą służyły praktyczemu poznaniu zagadnień:

- wstępnego przetwarzania danych (redukcja wymiarów, wizualizacja danych, wzbogacanie danych)

- regresji,

- klasyfikacji danych,

- grupowania danych,

- prognozowania

- oceny i poprawy jakości modeli

Laboratory classes

Wykłady: treść wykładów obejmuje następujące zagadnienia

Wprowadzenie do tematyki uczenia maszynowego

Wstępne przetwarzanie danych: wizualizacja danych, redukcja wymiarowości (PCA), wzbogacanie danych

Regresja liniowa jednej i wielu zmiennych

Regresja logistyczna

Klasyfikacja: algorytm k-najbliższych sąsiadów, drzewa decyzyjne, modele złożone, SVM, sieci Bayesa

Regularyzacja (problem nadmiernego dopasowania, funkcja kosztu)

Grupowanie

Systemy rekomendacyjne i detekcja anomalii

Prognozowanie

Lectures

Extended information/Additional elements

Teaching methods and techniques :

Blended learning, Flipped classroom, Discussion, E-learning

Activities	Methods of verification	Credit conditions
Lab. classes	Activity during classes, Report, Presentation, Oral answer	Zrealizowanie i zaliczenie wszystkich ćwiczeń laboratoryjnych
Lectures	Activity during classes, Test	Pozytywna ocena z kolokwium

Rules of participation in given classes, indicating whether student presence at the lecture is obligatory

Laboratory classes: Studenci wykonują ćwiczenia laboratoryjne zgodnie z materiałami udostępnionymi przez prowadzącego. Student jest zobowiązany do przygotowania się w przedmiocie wykonywanego ćwiczenia, co może zostać zweryfikowane kolokwium w formie ustnej lub pisemnej. Zaliczenie zajęć odbywa się na podstawie zaprezentowania rozwiązania postawionego problemu. Zaliczenie modułu jest możliwe po zaliczeniu wszystkich zajęć laboratoryjnych.

Literature

Obligatory

Marcin Szeliga, Data Science i uczenie maszynowe, Warszawa 2017, PWN
Paweł Cichosz, Systemy uczące się, Warszawa 2000, WNT
Rutkowski L., Metody i techniki sztucznej inteligencji, Warszawa, 2011, PWN.
Roger D. Peng, R programming for data science, Leanpub, 2016

Scientific research and publications

Research

projekt "Urządzenie wraz z oprogramowaniem wspierające diagnostykę i terapię postawy ciała przez fizjoterapeutów, osteopatów oraz innych specjalistów zajmujących się ciałem człowieka" współfinansowany ze środków Unii Europejskiej

Publications

Adrian, W.T., Ignacyk, J., Kluza, K., Długosz, M.M., Ligęza, A. (2022). Modeling Empathy Episodes with ARD and DMN. In: Memmi, G., Yang, B., Kong, L., Zhang, T., Qiu, M. (eds) Knowledge Science, Engineering and Management. KSEM 2022. Lecture Notes in Computer Science(), vol 13370. Springer, Cham. https://doi.org/10.1007/978-3-031-10989-8_32
Cywicka, D., Hędrzak, M., Długosz, M.M., Tymińska-Czabańska, L. (2019). Protection by culling: the crux of red deer management in National Parks. In: Eco.mont : Journal on Protected Mountain Areas Research. 2019 vol. 11 no. 2, s. 4–10.
Długosz, M.M., Kurzydło, W. (2018). Anatomy trains modelling based on photogrammetric data. In: Recent developments and achievements in biocybernetics and biomedical engineering : proceedings of the 20th Polish Conference on Biocybernetics and Biomedical Engineering, Kraków, Poland, September 20-22, 2017 / eds. Piotr Augustyniak, Roman Maniewski, Ryszard Tadeusiewicz. — [Cham] : Springer International Publishing, cop. 2018. — S. 264–274