- 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. 2021/2022
- Liczba punktów ECTS:
- 2
- Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
- 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 uczenia się
Profil ogólnoakademicki - wiedza
- Charakterystyka MLR_2st_W01
- Wiedza na temat podstawowych metod uczenia maszynowego
Weryfikacja: Zaliczenie – ocena z kolokwium oraz z zadania projektowego.
Powiązane charakterystyki kierunkowe:
K_W01
Powiązane charakterystyki obszarowe:
P7U_W, I.P7S_WG.o
- Charakterystyka MLR_2st_W02
- Wiedza na temat sposobów implementacji metod uczenia maszynowego w języku R
Weryfikacja: Zaliczenie – ocena z kolokwium oraz z zadania projektowego.
Powiązane charakterystyki kierunkowe:
K_W09
Powiązane charakterystyki obszarowe:
P7U_W, I.P7S_WG.o, III.P7S_WG
Profil ogólnoakademicki - umiejętności
- Charakterystyka MLR_2st_U01
- Potrafi zaprogramować w języku R konkretny ciąg operacji implementujących proces uczenia maszynowego
Weryfikacja: Zaliczenie – ocena z kolokwium oraz z zadania projektowego.
Powiązane charakterystyki kierunkowe:
K_U06
Powiązane charakterystyki obszarowe:
P7U_U, I.P7S_UW.o, III.P7S_UW.o
- Charakterystyka 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.
Powiązane charakterystyki kierunkowe:
K_U10
Powiązane charakterystyki obszarowe:
P7U_U, I.P7S_UW.o, III.P7S_UW.o
Profil ogólnoakademicki - kompetencje społeczne
- Charakterystyka MLR_2st_K01
- Ma świadomość pozyskanej wiedzy i umiejętności.
Weryfikacja: Zaliczenie – ocena z kolokwium oraz z zadania projektowego.
Powiązane charakterystyki kierunkowe:
K_K01, K_K05
Powiązane charakterystyki obszarowe:
P7U_K, I.P7S_KK, I.P7S_KO