Informacje podstawowe
- Kierunek studiów
- Informatyka Społeczna
- Specjalność
- Wszystkie
- Jednostka organizacyjna
- Wydział Humanistyczny
- Poziom kształcenia
- Studia magisterskie II stopnia
- Forma studiów
- Stacjonarne
- Profil studiów
- Praktyczny
- Cykl dydaktyczny
- 2025/2026
- Kod przedmiotu
- HIFSS.II1.03622.25
- Języki wykładowe
- polski
- Obligatoryjność
- Obowiązkowy
- Blok zajęciowy
- Przedmioty kierunkowe
- Przedmiot powiązany z badaniami naukowymi
- Tak
|
Okres
Semestr 1
|
Forma zaliczenia
Zaliczenie
Forma prowadzenia i godziny zajęć
Ćwiczenia laboratoryjne:
30
Wykład: 15 |
Liczba punktów ECTS
4
|
Cele kształcenia dla przedmiotu
| C1 | Zapoznanie studentów z metodami uczenia maszynowego |
| C2 | Przygotowanie studentów do praktycznego wykorzystania algorytmów uczenia maszynowego |
Efekty uczenia się dla przedmiotu
| Kod | Efekty w zakresie | Kierunkowe efekty uczenia się | Metody weryfikacji |
| Wiedzy – Student zna i rozumie: | |||
| W1 | Student posiada elementarną wiedzę w zakresie praktycznych aspektów stosowania procedur uczenia maszynowego. | IFS2P_W09, IFS2P_W11, IFS2P_W12 | Kolokwium, Sprawozdanie, Prezentacja, Odpowiedź ustna |
| W2 | Student zna narzędzia i środowiska do tworzenia systemów informatycznych wykorzystujących algorytmy uczenia maszynowego | IFS2P_W02, IFS2P_W04, IFS2P_W09 | Kolokwium, Sprawozdanie, Prezentacja, Odpowiedź ustna |
| W3 | Student orientuje się w obecnym stanie oraz najnowszych osiągnięciach i trendach rozwojowych informatyki, w zakresie metod uczenia maszynowego | IFS2P_W07 | Kolokwium, Sprawozdanie, Prezentacja, Odpowiedź ustna |
| Umiejętności – Student potrafi: | |||
| 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 | Aktywność na zajęciach, Kolokwium, Sprawozdanie, Prezentacja, Odpowiedź ustna |
| U2 | Student potrafi konstruować algorytmy z wykorzystaniem technik algorytmicznych z obszaru uczenia maszynowego | IFS2P_U11, IFS2P_U12 | Aktywność na zajęciach, Kolokwium, Sprawozdanie, Prezentacja, Odpowiedź ustna |
| Kompetencji społecznych – Student jest gotów do: | |||
| K1 | Student ma świadomość znaczenia interdyscyplinarnej wiedzy przy rozwiązywaniu problemów poznawczych i praktycznych. | IFS2P_K02 | Aktywność na zajęciach, Kolokwium, Odpowiedź ustna |
| 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 | Aktywność na zajęciach, Kolokwium, Odpowiedź ustna |
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć
Nakład pracy studenta
| Rodzaje zajęć studenta | Średnia liczba godzin* przeznaczonych na zrealizowane aktywności | |
| Ćwiczenia laboratoryjne | 30 | |
| Wykład | 15 | |
| Samodzielne studiowanie tematyki zajęć | 30 | |
| Egzamin lub kolokwium zaliczeniowe | 2 | |
| Dodatkowe godziny kontaktowe | 3 | |
| Przygotowanie do zajęć | 30 | |
| Łączny nakład pracy studenta |
Liczba godzin
110
|
|
| Liczba godzin kontaktowych |
Liczba godzin
45
|
|
* godzina (lekcyjna) oznacza 45 minut
Treści programowe
| Lp. | Treści programowe | Efekty uczenia się dla przedmiotu | Formy prowadzenia zajęć |
| 1. |
Laboratorium ML: Ćwiczenia laboratoryjne ilustrujące treść wykładów i pozwalające na opanowanie umiejętności związanych z praktycznym wykorzystaniem metod i algorytmów uczenia maszynowego. - 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 | Ćwiczenia laboratoryjne |
| 2. |
Wykłady: treść wykładów obejmuje następujące zagadnienia
|
W1, U1, U2, K1 | Wykład |
Informacje rozszerzone
Metody i techniki kształcenia :
Kształcenie mieszane (ang. blended learning), Odwrócona klasa (ang. flipped classroom), Dyskusja, Kształcenie zdalne
| Rodzaj zajęć | Metody zaliczenia | Warunki zaliczenia przedmiotu |
|---|---|---|
| Ćwiczenia laboratoryjne | Aktywność na zajęciach, Sprawozdanie, Prezentacja, Odpowiedź ustna | Zrealizowanie i zaliczenie wszystkich ćwiczeń laboratoryjnych |
| Wykład | Aktywność na zajęciach, Kolokwium | Pozytywna ocena z kolokwium |
Dodatkowy opis
Część zajęć (w tym również zaliczenia) może się odbyć w formie zdalnej, z wykorzystaniem narzędzi elearningowych. Studenci otrzymają dostęp do kursu podczas pierwszego spotkania.
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu
Warunkiem zaliczenia jest wykonanie i zaliczenie ćwiczeń laboratoryjnych oraz uzyskanie pozytywnej oceny z kolokwium zaliczeniowego. Uzyskanie zaliczenia w drugim i trzecim terminie jest możliwe na podstawie uzyskania pozytywnej oceny z kolokwium poprawkowego.
Sposób obliczania oceny końcowej
Średnia z ocen uzyskanych z poszczególnych ćwiczeń laboratoryjnych oraz kolokwium zaliczeniowego
Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach
Student ma obowiązek nadrobić zaległości powstałe wskutek nieobecności na zajęciach poprzez samodzielne wykonanie ćwiczeń laboratoryjnych i oddanie sprawozdania do 2 tygodni po terminie zajęć.
Wymagania wstępne i dodatkowe
Znajomość języków R oraz Python, wiedza z podstaw rachunku prawdopodobieństwa i statystyki
Zasady udziału w poszczególnych zajęciach, ze wskazaniem, czy obecność studenta na zajęciach jest obowiązkowa
Ćwiczenia laboratoryjne: 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.
Literatura
Obowiązkowa- 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
Badania i publikacje
Badania- 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
- 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