Nazwa przedmiotu:
Uczenie maszynowe i BigData w zarządzaniu
Koordynator przedmiotu:
dr Andrzej Wodecki
Status przedmiotu:
Obowiązkowy
Poziom kształcenia:
Studia I stopnia
Program:
Inżynieria Zarządzania
Grupa przedmiotów:
Specjalność: Inżynieria cyfrowa
Kod przedmiotu:
-
Semestr nominalny:
7 / rok ak. 2018/2019
Liczba punktów ECTS:
3
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
3 ECTS 15h wykład + 20h laboratorium +10h nauka własna + 30h przygotowanie projektu = 75h
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
1,1 ECTS 15h wykład + 20h laboratorium = 35h
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
2,4 ECTS 20h laboratorium +10h nauka własna + 30h przygotowanie projektu = 60h
Formy zajęć i ich wymiar w semestrze:
  • Wykład18h
  • Ćwiczenia0h
  • Laboratorium18h
  • Projekt0h
  • Lekcje komputerowe0h
Wymagania wstępne:
Podstawy modelowania statystycznego (regresja, klasyfikacja)
Limit liczby studentów:
- od 25 osób do limitu miejsc w sali audytoryjnej (wykład) - od 25 osób do limitu miejsc w sali laboratoryjnej (laboratorium)
Cel przedmiotu:
Wykształcenie umiejętności wykorzystania algorytmów uczenia maszynowego w zarządzaniu
Treści kształcenia:
A. Wykład: 1. Wprowadzenie: zakres przedmiotu, podstawowe pojęcia i źródła wiedzy 2. Proces Data Science a. Zrozumienie i sformułowanie problemu b. Pozyskiwanie danych c. Przygotowanie danych do modelowania d. Ocena i poprawa jakości modeli ML e. Komunikacja wyników i przekazanie modelu do wdrożenia produkcyjnego 3. Typy uczenia maszynowego: a. Nauczanie nadzorowane b. Nauczanie nie nadzorowane c. Nauczanie ze wzmocnieniem d. Inne modele uczenie maszynowego 4. Najważniejsze metody i algorytmy uczenia maszynowego: a. Regresja: typowe zastosowania, najważniejsze algorytmy i metody oceny ich efektywności b. Klasyfikacja: typowe zastosowania, najważniejsze algorytmy i metody oceny ich efektywności c. Grupowanie: typowe zastosowania, najważniejsze algorytmy i metody oceny ich efektywności d. Podnoszenie jakości modeli uczenia maszynowego (tuning hiperparametrów, modele zespołowe, etc.) 5. Uczenie maszynowego w praktyce a. Dobór algorytmu dla danego problemu biznesowego: ogólny schemat postępowania b. Infrastruktura niezbędna do realizacji projektów na różnych etapach analizy danych, modelowania i wdrożenia produkcyjnego c. Wyzwania i czynniki ryzyka implementacji projektów uczenia maszynowego w organizacji 6. Trendy rozwoju ML/AI B. Laboratorium: W ramach laboratorium studenci wykorzystają wybraną metodę uczenia maszynowego do rozwiązania konkretnego problemu z zakresu zarządzania. Prace podzielone zostaną na następujące etapy: 1. Identyfikacja problemu biznesowego, pogłębiona analiza kontekstu i sformułowanie problemu 2. Pozyskanie i przegląd danych źródłowych 3. Przygotowanie danych: czyszczenie, zmiana kształtu, wzbogacenie, dostosowanie do specyfiki modelu 4. Modelowanie danych: określenie modelu bazowego, wybór różnych modeli, modelowanie, ocena, udoskonalenie i wybór najlepszego 5. Komunikacja wyników prac (przygotowanie scenariusza i odpowiednich wizualizacji). Na koniec zajęć każda z grup przedstawi prezentację swojego projektu.
Metody oceny:
A. Wykład: 1. Ocena formatywna: na podstawie oceny z Laboratorium 2. Ocena sumatywna: na podstawie oceny z Laboratorium B. Laboratorium: 1. Ocena formatywna: projekt, prezentacja 2. Ocena sumatywna: oceny projektu i prezentacji C. Końcowa ocena z przedmiotu: Suma ważona ocen projektu (80%) i prezentacji (20%)
Egzamin:
nie
Literatura:
Obowiązkowa: 1. Wodecki A., 2018. Sztuczna inteligencja w kreowaniu wartości organizacji, Kraków: Edu-Libri 2. Szeliga M., 2017, Data Science i uczenie maszynowe, Warszawa: PWN Uzupełniająca: 1. Boschetti A., Massaron L., 2017. Python. Podstawy nauki o danych. Wydanie II , Gliwice: Helion
Witryna www przedmiotu:
www.olaf.wz.pw.edu.pl
Uwagi:
-

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Efekt I1_W01
Student zna różne sposoby wykorzystania metod uczenia maszynowego i sztucznej inteligencji do usprawnienia procesów biznesowych organizacji
Weryfikacja: Ocena projektu grupowego
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe:

Profil ogólnoakademicki - umiejętności

Efekt I1_U15
Student potrafi zaprojektować uzasadnienie biznesowe dla projektu wykorzystującego uczenie maszynowe i sztuczną inteligencję
Weryfikacja: Ocena projektu grupowego
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe:
Efekt I1_U19
Student potrafi zaplanować projekt wdrożenia rozwiązania ML/AI w organizacji
Weryfikacja: Ocena projektu grupowego
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe:

Profil ogólnoakademicki - kompetencje społeczne

Efekt I1_K02
Student jest gotów do uznawania znaczenia wiedzy w rozwiązywaniu problemów poznawczych i praktycznych
Weryfikacja: Ocena projektu grupowego
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe:
Efekt I1_K04
Student jest gotów do myślenia i działania w sposób przedsiębiorczy
Weryfikacja: Ocena projektu grupowego
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe: