Uczenie maszynowe w analityce danych
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
Semestr zimowy, 2024/2025
Przedmiot | Liczba godzin | Punkty ECTS | Forma weryfikacji | |
---|---|---|---|---|
Wstęp do zaawansowanej analizy danych i Data Science
|
Wykład:
4 |
1 | Zaliczenie | O |
Języki programowania w Data Science (R)
|
Wykład:
2 Ćwiczenia laboratoryjne: 18 |
2 | Zaliczenie | O |
Statystyka
|
Wykład:
10 Ćwiczenia laboratoryjne: 14 |
3 | Zaliczenie | O |
Rachunek macierzowy
|
Wykład:
10 Ćwiczenia laboratoryjne: 14 |
3 | Zaliczenie | O |
Języki programowania w Data Science (Python)
|
Ćwiczenia laboratoryjne:
20 |
2 | Zaliczenie | O |
Eksploracja danych
|
Wykład:
6 Ćwiczenia laboratoryjne: 14 |
3 | Zaliczenie | O |
Sieci neuronowe i uczenie głębokie
|
Wykład:
6 Ćwiczenia laboratoryjne: 14 |
3 | Zaliczenie | O |
Bazy danych
|
Wykład:
4 Ćwiczenia laboratoryjne: 16 |
3 | Zaliczenie | O |
Suma | 152 | 20 |
Semestr letni, 2024/2025
Przedmiot | Liczba godzin | Punkty ECTS | Forma weryfikacji | |
---|---|---|---|---|
Uczenie maszynowe
|
Wykład:
14 Ćwiczenia laboratoryjne: 14 |
4 | Zaliczenie | O |
Analiza dużych zbiorów danych
|
Wykład:
8 Ćwiczenia laboratoryjne: 12 |
3 | Zaliczenie | O |
Sieci społeczne
|
Wykład:
4 Ćwiczenia laboratoryjne: 4 |
1 | Zaliczenie | O |
Przetwarzanie jezyka naturalnego
|
Wykład:
4 Ćwiczenia laboratoryjne: 16 |
2 | Zaliczenie | O |
Wizualizacja danych
|
Wykład:
4 Ćwiczenia laboratoryjne: 12 |
2 | Zaliczenie | O |
Prawne aspekty analizy danych
|
Wykład:
6 |
1 | Zaliczenie | O |
Praktyczne zastosowania analizy danych
|
Wykład:
2 Ćwiczenia laboratoryjne: 2 |
1 | Zaliczenie | O |
Analiza danych edukacyjnych
|
Ćwiczenia laboratoryjne:
10 Ćwiczenia projektowe: 5 |
1 | Zaliczenie | O |
Hackathon
|
Ćwiczenia laboratoryjne:
16 |
1 | Zaliczenie | O |
Suma | 133 | 16 |