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
Зимовий сместр, 2023/2024
Предмет | Кількість годин | Бали ECTS | Форма перевірки | |
---|---|---|---|---|
Wstęp do zaawansowanej analizy danych i Data Science
|
Лекція:
4 |
1 | Залік | O |
Języki programowania w Data Science (R)
|
Лекція:
2 Лабораторні заняття: 18 |
2 | Залік | O |
Statystyka
|
Лекція:
10 Лабораторні заняття: 14 |
3 | Залік | O |
Rachunek macierzowy
|
Лекція:
10 Лабораторні заняття: 14 |
3 | Залік | O |
Języki programowania w Data Science (Python)
|
Лабораторні заняття:
20 |
2 | Залік | O |
Eksploracja danych
|
Лекція:
6 Лабораторні заняття: 14 |
3 | Залік | O |
Sieci neuronowe i uczenie głębokie
|
Лекція:
6 Лабораторні заняття: 14 |
3 | Залік | O |
Bazy danych
|
Лекція:
4 Лабораторні заняття: 16 |
3 | Залік | O |
Сума | 152 | 20 |
Літній семестр, 2023/2024
Предмет | Кількість годин | Бали ECTS | Форма перевірки | |
---|---|---|---|---|
Uczenie maszynowe
|
Лекція:
14 Лабораторні заняття: 14 |
4 | Залік | O |
Analiza dużych zbiorów danych
|
Лекція:
8 Лабораторні заняття: 12 |
3 | Залік | O |
Sieci społeczne
|
Лекція:
4 Лабораторні заняття: 4 |
1 | Залік | O |
Przetwarzanie jezyka naturalnego
|
Лекція:
4 Лабораторні заняття: 16 |
2 | Залік | O |
Wizualizacja danych
|
Лекція:
4 Лабораторні заняття: 12 |
2 | Залік | O |
Prawne aspekty analizy danych
|
Лекція:
6 |
1 | Залік | O |
Praktyczne zastosowania analizy danych
|
Лекція:
2 Лабораторні заняття: 2 |
1 | Залік | O |
Analiza danych edukacyjnych
|
Лабораторні заняття:
10 Проектні заняття: 5 |
1 | Залік | O |
Hackathon
|
Лабораторні заняття:
16 |
1 | Залік | O |
Сума | 133 | 16 |