- Nazwa przedmiotu:
- Przedmiot obieralny 4 - Metody uczenia maszynowego (z profilu B)
- Koordynator przedmiotu:
- dr inż. Jacek Marciniak
- Status przedmiotu:
- Obowiązkowy
- Poziom kształcenia:
- Studia II stopnia
- Program:
- Geodezja i Kartografia
- Grupa przedmiotów:
- Obowiązkowe (profil B)
- Kod przedmiotu:
- GK.SMK
- Semestr nominalny:
- 2 / rok ak. 2023/2024
- Liczba punktów ECTS:
- 1
- Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
- 40 godzin, w tym:
1) Liczba godzin kontaktowych: 32 godziny:
a) udział w zajęciach, wykłady: 30 godzin,
b) uczestnictwo konsultacjach: 2 godziny.
2) Praca własna studenta: 8 godzin:
a) zapoznanie się z literaturą: 2 godziny,
b) przygotowanie do kolokwium: 6 godzin.
- Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
- 32 godziny = 0,8 punktu ECTS:
Udział w zajęciach, wykłady: 30 godzin,
Udział w konsultacjach: 2 godziny
- Język prowadzenia zajęć:
- polski
- Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
- 2 godziny = 0,05 punktu ECTS:
Udział w konsultacjach: 2 godziny
- Formy zajęć i ich wymiar w semestrze:
-
- Wykład30h
- Ćwiczenia0h
- Laboratorium0h
- Projekt0h
- Lekcje komputerowe0h
- Wymagania wstępne:
- Podstawowy znajomość analizy matematycznej, algebry i statystyki
- Limit liczby studentów:
- -
- Cel przedmiotu:
- Celem przedmiotu jest zapoznanie studentów z tematyką uczenia maszynowego, przedstawienie podstawowych koncepcji i algorytmów oraz pokazanie możliwości wykorzystania poznanych metod analizach przestrzennych i teledetekcji.
- Treści kształcenia:
- Wykład:
1. Wprowadzenie do uczenia maszynowego, podstawowe pojęcia
2. Uczenie nadzorowane i nienadzorowane
3. Klasyfikacja
4. Regresja
5. Analiza skupień: hierarchiczne, k-średnich, c-średnich, sieci Kohonena
6. Metody nadzorowane: kNN, najmniejszej odległości, największego prawdopodobieństwa, drzewa decyzyjne, lasy losowe, SVM, klasyfikator Bayesa
7. Sztuczne sieci neuronowe: model neuronu, perceptron wielowarstwowy
8. Uczenie perceptronu wielowarstwowego, model matematyczny działania neuronu
9. Głębokie sieci neuronowe, sieci konwolucyjne
10. Praktyczne aspekty wykorzystania uczenia maszynowego w teledetekcji
11. Typowe problemy w uczeniu maszynowym: mała ilość danych, dane niewiarygodne, niereprezentatywne, przeuczenia, itp.
12. Metody zwiększania dokładności modeli: rozszerzanie zbioru cech obrazowych, transfer wiedzy z pokrewnych problemów, metody łączone
13. Uczenie maszynowe w zastosowaniach do serii czasowych: dopasowanie krzywej trendu, wykrywanie pomiarów odstających, predykcja metodami analitycznymi oraz sieciami głębokimi (LSTM)
14. Sieci współzawodniczące oraz inne nowe trendy w uczeniu maszynowym, przykłady zastosowań uczenia maszynowego w teledetekcji i dziedzinach pokrewnych
- Metody oceny:
- - Kolokwium, do zdobycia 100 punktów.
- Progi ocen: 2 [0-50], 3 [50-60], 3.5 [60-70], 4 [70-80], 4.5 [80-90], 5 [90-100].
- Możliwość poprawienia egzaminu - jeden termin poprawkowy.
- Egzamin:
- nie
- Literatura:
- 1. Hadelin de Ponteves, "Sztuczna inteligencja. Błyskawiczne wprowadzenie do uczenia maszynowego, uczenia ze wzmocnieniem i uczenia głębokiego", Wydawnictwo Helion, 2021
2. Giuseppe Bonaccorso, Algorytmy uczenia maszynowego. Zaawansowane techniki implementacji, Wydawnictwo Helion, 2019
3. Dino Esposito, "Wprowadzenie do uczenia maszynowego według Esposito", APN Promise, 2020
- Witryna www przedmiotu:
- Uwagi:
- Brak
Efekty uczenia się
Profil ogólnoakademicki - wiedza
- Efekt
Weryfikacja:
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe:
Profil ogólnoakademicki - umiejętności
- Efekt
Weryfikacja:
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe:
Profil ogólnoakademicki - kompetencje społeczne
- Efekt
Weryfikacja:
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe: