Nazwa przedmiotu:
Podstawy Machine Learning w R
Koordynator przedmiotu:
dr inż. Marcel Młyńczak
Status przedmiotu:
Fakultatywny dowolnego wyboru
Poziom kształcenia:
Studia II stopnia
Program:
Mechatronika
Grupa przedmiotów:
Wariantowe
Kod przedmiotu:
MLR
Semestr nominalny:
2 / rok ak. 2020/2021
Liczba punktów ECTS:
2
Liczba godzin pracy studenta związanych z osiągnięciem efektów kształcenia:
1) Liczba godzin bezpośrednich 32, w tym: a) wykład - 15h; b) projekt - 15h; c) konsultacje - 2h; 2) Praca własna studenta 20, w tym: a) zapoznanie z literaturą i przygotowanie na zajęcia – 10h b) przygotowanie do sprawdzianu – 10h; Suma: 52 h (2 ECTS)
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
1 punkty ECTS - liczba godzin bezpośrednich: 32h, w tym: a) wykład - 15h; b) projekt - 15h; c) konsultacje – 2h;
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
1) Liczba godzin bezpośrednich 32, w tym: a) wykład - 15h; b) projekt - 15h; c) konsultacje - 2h; 2) Praca własna studenta 20, w tym: a) zapoznanie z literaturą i przygotowanie na zajęcia – 10h b) przygotowanie do sprawdzianu – 10h; Suma: 52 h (2 ECTS)
Formy zajęć i ich wymiar w semestrze:
  • Wykład15h
  • Ćwiczenia0h
  • Laboratorium0h
  • Projekt15h
  • Lekcje komputerowe0h
Wymagania wstępne:
Podstawowa wiedza z zakresu: Programowania, Statystyki, Rachunku Prawdopodobieństwa; Zaliczenie przedmiotu: Programowanie w środowisku obliczeniowym R
Limit liczby studentów:
36
Cel przedmiotu:
Znajomość podstawowych metod Machine Learning i umiejętność ich implementacji w języku R w celu analizy danych i rozwiązywania problemów inżynierskich
Treści kształcenia:
Proces Data Science Regresja a klasyfikacja Przygotowanie danych Exploratory Data Analysis Grupowanie Walidacja krzyżowa Modelowanie liniowe i uogólnione Drzewa decyzyjne Bagging – lasy losowe Boosting – GBM Support Vector Machines Sztuczne Sieci Neuronowe Modele zespołowe Walidacja modeli
Metody oceny:
Ocena końcowa z przedmiotu jest sumą oceny z kolokwium teoretycznego (40%) oraz z oceny realizacji projektu (60%).
Egzamin:
nie
Literatura:
• Przemysław Biecek, „Przewodnik po pakiecie R”, Oficyna Wydawnicza GIS, 2017 • Specjalizacja Data Science na portalu Coursera – John Hopkins University [https://www.coursera.org/specializations/jhu-data-science] • Dokumentacja pakietu „caret” [http://topepo.github.io/caret/index.html]
Witryna www przedmiotu:
Uwagi:

Efekty przedmiotowe

Profil ogólnoakademicki - wiedza

Efekt MLR_2st_W01
Wiedza na temat podstawowych metod uczenia maszynowego
Weryfikacja: Zaliczenie – ocena z kolokwium oraz z zadania projektowego.
Efekt MLR_2st_W02
Wiedza na temat sposobów implementacji metod uczenia maszynowego w języku R
Weryfikacja: Zaliczenie – ocena z kolokwium oraz z zadania projektowego.

Profil ogólnoakademicki - umiejętności

Efekt MLR_2st_U01
Potrafi zaprogramować w języku R konkretny ciąg operacji implementujących proces uczenia maszynowego
Weryfikacja: Zaliczenie – ocena z kolokwium oraz z zadania projektowego.
Efekt MLR_2st_U02
Potrafi zaproponować schemat operacji wstępnych, modelowania oraz weryfikacji końcowej, opartych o uczenie maszynowe, w celu rozwiązania konkretnego problemu inżyniersko-obliczeniowego
Weryfikacja: Zaliczenie – ocena z kolokwium oraz z zadania projektowego.

Profil ogólnoakademicki - kompetencje społeczne

Efekt MLR_2st_K01
Ma świadomość pozyskanej wiedzy i umiejętności.
Weryfikacja: Zaliczenie – ocena z kolokwium oraz z zadania projektowego.