Drukuj Eksport do pliku (MS Word)
Nazwa przedmiotu:
Maszynowe uczenie
Koordynator przedmiotu:
Dr hab. inż. Maciej Kozłowski, Wydział Transportu, Zakład Systemów Informatycznych i Mechatronicznych w Transporcie
Status przedmiotu:
Obowiązkowy
Poziom kształcenia:
Studia II stopnia
Program:
Transport
Grupa przedmiotów:
Specjalnościowe
Kod przedmiotu:
Semestr nominalny:
1 / rok ak. 2018/2019
Liczba punktów ECTS:
3
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
84 godz. (w tym: praca na wykładach 30 godz., praca na ćwiczeniach laboratoryjnych 15 godz., studiowanie literatury przedmiotu 15 godz., konsultacje 5 godz., praca dotycząca przygotowania sprawozdań 10 godz., praca poświęcona na rozwiązanie zadania indywidualnego 9 godz.)
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
2 ECTS (48 godz., w tym: praca na wykładzie – 30 godz., laboratorium – 15 godz., konsultacje – 3 godz.)
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
1 ECTS (33 godz., w tym: praca na ćwiczeniach laboratoryjnych 15 godz., konsultacje w zakresie ćwiczeń laboratoryjnych 3 godz., zapoznanie się ze stosowanym oprogramowaniem 5 godz., wykonanie sprawozdań 10 godz.)
Formy zajęć i ich wymiar w semestrze:
  • Wykład30h
  • Ćwiczenia0h
  • Laboratorium15h
  • Projekt0h
  • Lekcje komputerowe0h
Wymagania wstępne:
Znajomość podstaw: logiki, algebry liniowej, matematyki dyskretnej, metod numerycznych, programowania.
Limit liczby studentów:
brak
Cel przedmiotu:
Wprowadzenie do dziedziny sztucznej inteligencji i problematyki tworzenia systemów posiadających zdolność uczenia się z nauczycielem i bez nauczyciela
Treści kształcenia:
Wykład: Wprowadzenie do zagadnień sztucznej inteligencji i problematyki tworzenia systemów posiadających zdolność uczenia. Uczenie z nauczycielem i bez. Uczenie parametryczne i strukturalne. Wybrane zagadnienia z algebry liniowej, statystyki, teorii grafów, i metod numerycznych mających związek z maszynowym uczeniem. Analiza głównych składowych PCA, zmienne losowe, niezależność, niezależność warunkowa, rozkłady prawdopodobieństwa, rozkłady mieszane i zmienne utajnione, funkcje logistyczno – sigmoidalne, prawo Bayesa, statystyki Bayesa, teoria informacji i strukturalne modele probabilistyczne, metoda maksymalnej wiarygodności, algorytmy generatywne, dyskryminacja. Obliczenia numeryczne. Nadmiar niedomiar, uwarunkowanie, metoda optymalizacji gradientowej, metoda najmniejszych kwadratów, kryterium minimum odległości i jego interpretacja probabilistyczna Podstawy systemów uczących się. Algorytmy uczenia. Definiowanie i reprezentowanie zbiorów przykładów uczących. Klasyfikacja, ocena klasyfikatorów, miary, zbiory walidacyjne, walidacja krzyżowa, estymatory. Uczenie nadzorowane i optymalizacja, Uogólniona regresja liniowa i metoda optymalizacji gradientowej, regresja liniowa, logistyczna, regresja wieloraka softmax, Metoda maksymalnej wiarygodności. Optymalizacja MLE , podstawienia funkcyjne i zastosowania metody gradientu w interpolacji nieliniowej, regresja nieliniowa. Nadzorowane sieci neuronowe, kernel trick, Wielowarstwowe sieci neuronowe, Maszyna wektorów nośnych. Nadzorowane sieci neuronowe splotowe, Cechy sieci splotowych, redukcja danych (pooling), Uczenie oparte na gradiencie. Uczenie nienadzorowane, metoda hierarchiczna, metoda k-średniej. Liniowe modele czynnikowe, Autokodery (Autoencoders). Probabilistyczna analiza czynnikowa i wybielanie PCA (PCA Whitening), Rzadkie kodowanie (sparse coding), Analiza składowych niezależnych (ICA). Samouczenie się na nieoznakowanych danych. Przykłady zastosowania w transporcie Laboratorium: Metody wektoryzacji w środowisku Matlab. Optymalizacja i uczenie nadzorowane. Uogólniony model regresji liniowej. Regresja liniowa. Regresja lokalnie ważona, Regresja logistyczna, Regresja wieloraka softmax. Nadzorowane sieci neuronowe. Wielowarstwowe sieci neuronowe, Maszyna wektorów nośnych. Nadzorowane sieci neuronowe splotowe. Cechy sieci splotowych, redukcja danych (pooling), Uczenie oparte na gradiencie, Uczenie nienadzorowane. Liniowe modele czynnikowe, Autokodery (Autoencoders), Probabilistyczna analiza czynnikowa i wybielanie PCA (PCA Whitening), Rzadkie kodowanie (sparse coding), Analiza składowych niezależnych (ICA)
Metody oceny:
Wykład Ocena formułująca: 2 sprawdziany pisemne zawierające 7 pytań otwartych oraz indywidualne zadanie problemowe. Laboratorium Ocena formułująca: kartkówki. Ocena końcowa: ocena ze sprawozdań z ćwiczeń. Wymagane zaliczenie wszystkich ćwiczeń. Ocena zintegrowana Ocena zintegrowana z przedmiotu wystawiana jest na podstawie wyników sprawdzianów na wykładzie i indywidualnych zadań problemowych oraz wyników ćwiczeń laboratoryjnych. Ocena zintegrowana jest oceną średnią ważoną (w stosunku 75% wagi – laboratorium, 25% wagi – wykład).
Egzamin:
nie
Literatura:
• Ian Goodfellow, Yoshua Bengio, Aaraon Couville, Deep Learning, Systemy uczące się, PWN 2018, • Szeliga Marcin, Data Science I uczenie maszynowe, PWN 2018 • Wybrane źródła internetowe: • Maszynowe uczenie, wykłady i ćwiczenia, Uniwersytet Warszawski – Kapitał Ludzki: https://brain.fuw.edu.pl/edu/index.php/Uczenie_maszynowe_i_sztuczne_sieci_neuronowe • Internetowy podręcznik statystyki • https://www.statsoft.pl/textbook/stathome_stat.html?https%3A%2F%2Fwww.statsoft.pl%2Ftextbook%2Fstnonlin.html • UFLDL Tutorial: http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial • Deep Learning Tutorial: http://ufldl.stanford.edu/tutorial/ 1) Uczenie maszynowe i głębokie w rozpoznawaniu obrazów, 2) Uczenie maszynowe w Matlabie Nagrane webinaria do pobrania, (3) Wprowadzenie do statistics toolbox, (4) Dopasowanie krzywych w Matlab. Oprogramowanie Naukowo Techniczne, Kraków: http://www.ont.com.pl/do-pobrania/nagrane-webinaria/, Matlab: Statistics and Machine Learning Toolbox Examples
Witryna www przedmiotu:
http://www.simt.wt.pw.edu.pl/dydaktyka/
Uwagi:
O ile nie powoduje to zmian w zakresie powiązań danego modułu zajęć z kierunkowymi efektami kształcenia w treściach kształcenia mogą być wprowadzane na bieżąco zmiany związane z uwzględnieniem najnowszych osiągnięć naukowych.

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Charakterystyka W01
Student ma wiedzę z zakresu podstawowych metody uczenia nadzorowanego i nienadzorowanego
Weryfikacja: 2 sprawdziany pisemne (ocena co najmniej dostateczna z każdego z nich )
Powiązane charakterystyki kierunkowe: Tr2A_W01
Powiązane charakterystyki obszarowe: I.P7S_WG
Charakterystyka W02
Student ma wiedzę z zakresu podstawowych algorytmów uczenia
Weryfikacja: 2 sprawdziany pisemne (ocena co najmniej dostateczna z każdego z nich )
Powiązane charakterystyki kierunkowe: Tr2A_W04
Powiązane charakterystyki obszarowe: I.P7S_WG
Charakterystyka W03
Student zna zastosowania maszynowego uczenia w transporcie
Weryfikacja: 2 sprawdziany pisemne (ocena co najmniej dostateczna z każdego z nich
Powiązane charakterystyki kierunkowe: Tr2A_W07
Powiązane charakterystyki obszarowe: I.P7S_WG, I.P7S_WK

Profil ogólnoakademicki - umiejętności

Charakterystyka U01
Student potrafi wybrać odpowiedni algorytm maszynowego uczenia odpowiednie do postawionego problemu
Weryfikacja: Ćwiczenia laboratoryjne. Warunkiem zaliczenia jest poprawne wykonanie ćwiczenia pod względem merytorycznym, wykonanie sprawozdania oraz wykazanie się podstawową wiedzą niezbędną do jego wykonania. Ocena z ćwiczeń laboratoryjnych co najmniej dostateczna
Powiązane charakterystyki kierunkowe: Tr2A_U08
Powiązane charakterystyki obszarowe: II.T.P7S_UW.2, III.P7S_UW.2.o
Charakterystyka U02
Student potrafi utworzyć prosty algorytm uczenia nadzorowanego lub nienadzorowanego
Weryfikacja: Ćwiczenia laboratoryjne. Warunkiem zaliczenia jest poprawne wykonanie ćwiczenia pod względem merytorycznym, wykonanie sprawozdania oraz wykazanie się podstawową wiedzą niezbędną do jego wykonania. Ocena z ćwiczeń laboratoryjnych co najmniej dostateczna
Powiązane charakterystyki kierunkowe: Tr2A_U09
Powiązane charakterystyki obszarowe: II.T.P7S_UW.1, III.P7S_UW.1.o
Charakterystyka U03
Student potrafi utworzyć i testować hipotezy związane z maszynowym uczeniem
Weryfikacja: Ćwiczenia laboratoryjne. Warunkiem zaliczenia jest poprawne wykonanie ćwiczenia pod względem merytorycznym, wykonanie sprawozdania oraz wykazanie się podstawową wiedzą niezbędną do jego wykonania. Ocena z ćwiczeń laboratoryjnych co najmniej dostateczna
Powiązane charakterystyki kierunkowe: Tr2A_U11
Powiązane charakterystyki obszarowe: II.T.P7S_UW.1

Profil ogólnoakademicki - kompetencje społeczne

Charakterystyka K01
Student wykazuje kreatywność w tworzeniu algorytmów do rozwiązywania zadań maszynowego uczenia
Weryfikacja: Indywidualne zadanie problemowe
Powiązane charakterystyki kierunkowe: Tr2A_K01
Powiązane charakterystyki obszarowe: I.P7S_KK