Analiza danych i uczenie maszynowe
Karta opisu przedmiotu
Informacje podstawowe
- Kierunek studiów
- Nowoczesne Technologie w Kryminalistyce (kierunek wspólny - WIEiT, WH, WIMiC)
- Specjalność
- -
- Jednostka organizacyjna
- Wydział Informatyki, Elektroniki i Telekomunikacji
- Poziom kształcenia
- Studia inżynierskie I stopnia
- Forma studiów
- Stacjonarne
- Profil studiów
- Ogólnoakademicki
- Cykl dydaktyczny
- 2025/2026
- Kod przedmiotu
- INKTS.Ii20.08565.25
- Języki wykładowe
- polski
- Obligatoryjność
- Obowiązkowy
- Blok zajęciowy
- Przedmioty kierunkowe
- Przedmiot powiązany z badaniami naukowymi
- Tak
Prowadzący zajęcia
Maciej Wielgosz
|
Okres
Semestr 6
|
Forma zaliczenia
Zaliczenie
Forma prowadzenia i godziny zajęć
Wykład:
28
Ćwiczenia projektowe: 28 |
Liczba punktów ECTS
5
|
Cele kształcenia dla przedmiotu
| C1 | Przekazanie wiedzy z zakresu technik i metod uczenia maszynowego. |
| C2 | Zapoznanie studentów z bieżącymi trendami w dziedzinie. |
| C3 | Uświadomienie słuchaczom problemów dotyczących analizy danych pochodzących z różnych źródeł. |
Efekty uczenia się dla przedmiotu
| Kod | Efekty w zakresie | Kierunkowe efekty uczenia się | Metody weryfikacji |
| Wiedzy – Student zna i rozumie: | |||
| W1 | Zna specyfikę oraz dobre praktyki pracy z danymi pochodzącymi z różnych źródeł. | NKT1A_W05, NKT1A_W09 | Aktywność na zajęciach, Udział w dyskusji |
| W2 | Zna metody i techniki uczenia maszynowego i ich zastosowanie w analizie danych. | NKT1A_W05, NKT1A_W09 | Aktywność na zajęciach, Udział w dyskusji |
| Umiejętności – Student potrafi: | |||
| U1 | Umie rozwiązywać zadane problemy poprzez dobór odpowiednich algorytmów uczenia maszynowego i ich wdrożenie z użyciem dostępnych bibliotek lub narzędzi wysokiego poziomu. | NKT1A_U04, NKT1A_U06, NKT1A_U07, NKT1A_U08 | Projekt |
| Kompetencji społecznych – Student jest gotów do: | |||
| K1 | Rozumie znaczenie, korzyści i trudności związane z łączeniem danych pochodzących z różnych źródeł. | NKT1A_K04 | Aktywność na zajęciach, Udział w dyskusji |
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć
W trakcie realizacji modułu przedstawione zostaną techniki i metody uczenia maszynowego, ze szczególnym uwzględnieniem bieżących trendów oraz kwestii dotyczących analizy danych pochodzących z różnych źródeł. Studenci zachęcani będą do udziału w dyskusjach, a praktyczną znajomość przedstawianych zagadnień potwierdzą realizując w niewielkich grupach projekty.
Nakład pracy studenta
| Rodzaje zajęć studenta | Średnia liczba godzin* przeznaczonych na zrealizowane aktywności | |
| Wykład | 28 | |
| Ćwiczenia projektowe | 28 | |
| Przygotowanie do zajęć | 15 | |
| Samodzielne studiowanie tematyki zajęć | 30 | |
| Dodatkowe godziny kontaktowe | 5 | |
| Przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania | 30 | |
| Łączny nakład pracy studenta |
Liczba godzin
136
|
|
| Liczba godzin kontaktowych |
Liczba godzin
56
|
|
* godzina (lekcyjna) oznacza 45 minut
Treści programowe
| Lp. | Treści programowe | Efekty uczenia się dla przedmiotu | Formy prowadzenia zajęć |
| 1. |
Podstawowe pojęcia i klasyfikacja algorytmów uczenia maszynowego. |
W2 | Wykład |
| 2. |
Proces analizy danych w praktyce: dobór algorytmów i dobre praktyki. |
W1, W2, U1, K1 | Wykład, Ćwiczenia projektowe |
| 3. |
Bieżące trendy w uczeniu maszynowym. |
W1, W2, K1 | Wykład |
| 4. |
Analiza danych pochodzących z różnych źródeł. |
W1, K1 | Wykład, Ćwiczenia projektowe |
Informacje rozszerzone
Metody i techniki kształcenia :
Kształcenie zdalne, Mini wykład, Dyskusja, Praca grupowa, Metoda projektowa (ang. Project Based Learning)
| Rodzaj zajęć | Metody zaliczenia | Warunki zaliczenia przedmiotu |
|---|---|---|
| Wykład | Aktywność na zajęciach, Udział w dyskusji | |
| Ćwiczenia projektowe | Aktywność na zajęciach, Udział w dyskusji, Projekt |
Dodatkowy opis
Zajęcia są prowadzone z wykorzystaniem innowacyjnych metod dydaktycznych opracowanych w projekcie POWR.03.04.00-00-D002/16, realizowanym w latach 2017-2019 na Wydziale Informatyki, Elektroniki i Telekomunikacji w ramach Programu Operacyjnego Wiedza Edukacja Rozwój 2014-2020.
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu
Wykonanie zadań na zajęciach oraz projektu głównego.
Sposób obliczania oceny końcowej
Równoważna ocenie z ćwiczeń projektowych.
Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach
Wykonanie w czasie własnym/na zajęciach innej grupy wymaganych zadań.
Wymagania wstępne i dodatkowe
Podstawowa znajomość języka Python.
Zasady udziału w poszczególnych zajęciach, ze wskazaniem, czy obecność studenta na zajęciach jest obowiązkowa
Wykład: Studenci uczestniczą w zajęciach poznając kolejne treści nauczania zgodnie z syllabusem przedmiotu. Studenci winni na bieżąco zadawać pytania i wyjaśniać wątpliwości. Rejestracja audiowizualna wykładu wymaga zgody prowadzącego. Obecność nie jest obowiązkowa.
Ćwiczenia projektowe: obecność obowiązkowa na pierwszych kilku zajęciach (zadania/mini-projekty), potem konsultacje dt. głównego projektu w razie potrzeby.
Literatura
Obowiązkowa- Maciej Wielgosz, Machine Learning Primer, 2019. https://maciej.wielgosz.info/machine-learning-primer
- John D. Kelleher, Brian MacNamee, Aoife D’Arcy. Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies. The MIT Press, 2015.
- Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning. The MIT Press, 2016. https://www.deeplearningbook.org/
Badania i publikacje
Publikacje- Maciej Wielgosz, Andrzej Skoczeń, Matej Mertik. Using LSTM recurrent neural networks for detecting anomalous behavior of LHC superconducting magnets. Nuclear Inst. and Methods in Physics Research, A, 867:40–50, 2017. doi:10.1016/j.nima.2017.06.020
- Maciej Wielgosz, Matej Mertik, Andrzej Skoczeń, Ernesto De Matteis. The model of an anomaly detector for HiLumi LHC magnets based on Recurrent Neural Networks and adaptive quantization. Engineering Applications of Artificial Intelligence, 74:166–185,2018. ISSN 0952-1976. doi: 10.1016/j.engappai.2018.06.012
- Maciej Wielgosz, Andrzej Skoczeń. Using neural networks with data quantization for time series analysis in LHC superconducting magnets. International Journal of Applied Mathematics and Computer Science, 29(3):503–515, Sep 2019. ISSN 1641-876X. doi: 10.2478/amcs-2019-0037
- Maciej Wielgosz, Marcin Pietroń. Using Spatial Pooler of Hierarchical Temporal Memory to classify noisy videos with predefined complexity. Neurocomputing, 240:84 –97, May 2017. ISSN 0925-2312. doi: 10.1016/j.neucom.2017.02.046
- M. Markiewicz, M. Wielgosz, M. Bocheński, W. Tabaczyński, T. Konieczny, L. Kowalczyk. Predictive maintenance of induction motors using ultra-low power wireless sensors and compressed recurrent neural networks. IEEE Access, 7:178891–178902, Dec 2019.ISSN 2169-3536. doi: 10.1109/ACCESS.2019.2953019
- Maciej Wielgosz, Rafał Frączek, Paweł Russek, Marcin Pietroń, Agnieszka Dąbrowska-Boruch, Ernest Jamro, Kazimierz Wiatr. An experiment on the methods for the clustering and categorization of Polish text. Computing and Informatics, 36(1):186–204, 2017. doi: 10.4149/cai_2017_1_186
- Krzysztof Wróbel, Maciej Wielgosz, Aleksander Smywiński-Pohl, Marcin Pietroń. Comparison of SVM and Ontology-Based Text Classification Methods. W Artificial Intelligence and Soft Computing: 15th International Conference, ICAISC 2016, Zakopane, Poland, June 12-16, 2016, Proceedings, Part I, str. 667–680, Cham, 2016.Springer. ISBN 978-3-319-39378-0. doi: 10.1007/978-3-319-39378-0_57