Professional Documents
Culture Documents
Informacje podstawowe
1/6
Kierunkowe efekty
Kod Efekty w zakresie Metody weryfikacji
uczenia się
INF2DS_W01,
Student zna probabilistyczne metody uczenia
W2 INF2DS_W02, Egzamin
maszynowego.
INF2DS_W04
INF2DS_U02,
Student potrafi zaimplementować z wykorzystaniem
INF2DS_U03,
niezbędnych bibliotek oprogramowania modele Wykonanie projektu,
U1 INF2DS_U04,
uczenia maszynowego dla problemów klasyfikacji Zaliczenie laboratorium
INF2DS_U05,
i regresji danych.
INF2DS_U06
INF2DS_U01,
Student potrafi wyuczyć stworzone modele uczenia INF2DS_U02, Wykonanie projektu,
U3
maszynowego i ocenić ich skuteczność. INF2DS_U04, Zaliczenie laboratorium
INF2DS_U05
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć
Przedmiot przedstawia w sposób kompleksowy współczesne metody i algorytmy uczenia maszynowego.
Wykład 30
Ćwiczenia projektowe 16
Ćwiczenia laboratoryjne 14
Przygotowanie do zajęć 30
Liczba godzin
Łączny nakład pracy studenta
150
2/6
Liczba godzin
Liczba godzin kontaktowych
60
Treści programowe
Informacje rozszerzone
3/6
Rodzaj zajęć Sposób weryfikacji i oceny efektów uczenia się Warunki zaliczenia przedmiotu
Wykład Egzamin
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki
dopuszczenia do egzaminu
1. Aby uzyskać pozytywną ocenę końcową niezbędne jest uzyskanie pozytywnej oceny z laboratorium (kolokwia) oraz
projektu końcowego. 2. Obliczamy średnią ważoną z ocen z laboratorium (50%) uzyskanych we wszystkich terminach i
projektu (50%) . 3. Wyznaczmy ocenę końcową na podstawie zależności: if sr>4.75 then OK:=5.0 else if sr>4.25 then
OK:=4.5 else if sr>3.75 then OK:=4.0 else if sr>3.25 then OK:=3.5 else OK:=3 4. Jeżeli pozytywną ocenę z laboratorium i
projektu uzyskano w pierwszym terminie oraz ocena końcowa jest mniejsza niż 5.0 to ocena końcowa jest podnoszona o 0.5
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.
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.
Ćwiczenia projektowe: Studenci wykonują projekt zgodnie z tematem przedstawionym przez prowadzącego. Student jest
zobowiązany do przygotowania się w przedmiocie wykonywanego projektu. Zaliczenie projektu odbywa się na podstawie
zaprezentowania rozwiązania postawionego problemu. Zaliczenie modułu jest możliwe po zaliczeniu projektu.
Literatura
Obowiązkowa
1. Basic literature
2. 1. Bishop Ch.K. Pattern Recognition and Machine Learning, Springer, New York, 2007.
3. 2. Theodoris S and Koutroumbas K, Pattern Recognition, Academic Press, San Diego, London, Boston, 1998
4. Additional literature:
5. 3. Mitra, S. and Acharya T., Data Mining: Multimedia, Soft Computing and Bioinformatics, J. Wiley, 2003.
6. 4. Journals: Pattern Recognition, Pattern Recognition Letters, Elsevier.
Badania i publikacje
Publikacje
4/6
1. 1. Wójcik P., Quellet T., Balcerzak M., Dzwinel, W., Identification of biomarker genes for resistance to a pathogen by
a novel method for meta-analysis of single-channel microarray datasets. Journal of Bioinformatics and Computational
Biology, 13(4), 1550013 (19 pages) 2015. IF=0.785 2. Pawliczek P, Dzwinel W, Yuen DA, Visual exploration of data by
using multidimensional scaling on multi-core CPU, GPU and MPI cluster, Concurrency and Computation: Practice and
Experience, 26(3): 662-682, 2014. IF =0.997 3. Kurdziel M, Boryczko K, Dzwinel W, Procrustes analysis of truncated least
squares multidimensional scaling, Computing and Informatics, 31 (6), 1417-1440, 2012. IF =0.254 4. Czech, W., Dzwinel,
W., Goryczka S., Arodź, T., Dudek, A.Z., Exploring biological networks with Graph Investigator research application,
Computing and Informatics, 30, 1001–1031, 2011 IF =0.239 5. Dzwinel, W., Wcisło, R., ivhd: A robust linear-time and
memory efficient method for visual exploratory data analysis, 13thConference on Machine Learning and Data Mining,
MLDM, New York, July 15-20, 2017, Lecture Notes of Artificial Intelligence, LNAI, 10358, 345-360, 2017 6. Czech, W.,
Mielczarek, W., Dzwinel, W., Comparison of Large Graphs Using Distance Information, 11th International Conference,
PPAM 2015, Lecture Notes of Computer Science, LNCS 9573, 195-206, 2016 7. Dzwinel, W., Wcisło, R., Very fast
interactive visualization of large sets of high-dimensional data, 2015 International Conference of Computational Science,
ICCS 2015, Reykjavik, 1-3.06.2015. Procedia of Computer Science, 51, 572-581, 2015. 8. Pawliczek, P., Dzwinel, W.,
Yuen, DA, Visual Exploration of Data with Multi-thread MIC Computer Architectures, in Rutkowski et al. (Eds.): ICAISC
2015, Part II, Lecture Notes of Artificial Intelligence, LNAI 9120, 25–35, 2015
5/6
Kierunkowe efekty uczenia się
Kod Treść
Potrafi projektować i realizować systemy informatyczne oparte na danych, a także konstruować systemy
INF2DS_U01
uczące się
Potrafi wykorzystać znane algorytmy, metody obliczeniowe i struktury danych w budowie systemu
INF2DS_U02
informatycznego
Posługuje się technikami i językami programowania stosowanymi w analizie danych, uczeniu maszynowym i
systemach wykorzystujących metody sztucznej inteligencji; potrafi ocenić przydatność różnych
INF2DS_U03 paradygmatów i związanych z nimi środowisk programistycznych do rozwiązywania problemów analizy
danych i realizacji systemów uczących się; potrafi czytać ze zrozumieniem, pisać, uruchamiać i weryfikować
programy zapisane z użyciem różnych paradygmatów programowania
Orientuje się w obecnym stanie oraz najnowszych osiągnięciach i trendach rozwojowych informatyki i
INF2DS_W04 dziedzin pokrewnych oraz ma wiedzę niezbędną do rozumienia pozatechnicznych uwarunkowań działalności
inżynierskiej
6/6