PDW III: Zastosowania języka Python w Data Science i Artificial Intelligence
Informacje ogólne
Kod przedmiotu: | CII4NP008CI-PDW |
Kod Erasmus / ISCED: | (brak danych) / (brak danych) |
Nazwa przedmiotu: | PDW III: Zastosowania języka Python w Data Science i Artificial Intelligence |
Jednostka: | Kierunek-Informatyka |
Grupy: |
Informatyka 4 sem. PL NST |
Punkty ECTS i inne: |
5.00
|
Język prowadzenia: | polski |
Rodzaj przedmiotu: | do wyboru |
Pełny opis: |
W ramach zajęć student opanuje podstawową wiedzę z zakresu przygotowania danych do uczenia maszynowego, pozna właściwości walidacji krzyżowej zbioru danych, nauczy się jakiego typu problemy rozwiązują metody uczenia maszynowego oraz jakie wyróżniamy rodzaje uczenia maszynowego. Student zostanie zapoznany z problemami etycznymi zastosowania głębokich sieci neuronowych na podstawie tworzenia filmów deepfake, czyli spreparowanych, nieprawdziwych nagrań z podłożoną nieistniejącą w rzeczywistości ścieżką dźwiękową oraz nałożonymi elementami na obraz takimi jak twarz innej osoby lub twarz sztucznie wygenerowana. Dodatkowo zostanie przekazana wiedza dotycząca sztucznego generowania nieistniejących twarzy ludzkich przy pomocy sieci głębokich typu GAN. Celem przedmiotu jest także przyswojenie przez studentów wiedzy o podstawowych metodach uczenia maszynowego takich jak algorytm k-najbliższych sąsiadów i maszyna wektorów nośnych. Zostanie wprowadzony koncept sieci neuronowych na przykładzie pojedynczego neuronu wraz z przeanalizowaniem przykładu z brakiem liniowej separowalności zbiorów (problem XOR) wraz z rozwiązaniem w postaci podniesienia danych do wyższego wymiaru lub rozbudowania sieci o więcej neuronów. Przedmiot umożliwia zapoznanie się studentów również z tematyką sieci Hopfielda jako przykładu pamięci asocjacyjnej, która na podstawie wzorców jest w stanie zrekonstruować pierwotne dane pomimo wprowadzonych w nich zakłóceń, szumów czy błędów. Zostaną przedstawione przykłady w postaci tekstowej jak i obrazów. Studenci przyswoją wiedzę z zakresu algorytmu wstecznej propagacji błędu w sieciach, jak również przedstawiony zostanie koncept najbardziej popularnych obecnie konwolucyjnych sieci neuronowych. W ramach prowadzonego przedmiotu student będzie w stanie zaimplementować i przetestować wyciągając wnioski z otrzymanych rezultatów wyżej wskazane metody przy pomocy języka programowania Python. Tematy realizowane kolejno na wykładach i laboratoriach (zajęcia są traktowane jako łączne): 1. Podstawy programowania w Pythonie 2. Wstęp do uczenia maszynowego, Przygotowanie danych do uczenia maszynowego 3. Metoda kNN w klasyfikacji, Lasy losowe 4. Maszyna Wektorów Nośnych (SVM), Algorytm perceptronu 5. Sieć Hopfielda, Algorytm wstecznej propagacji błędu 6. Extreme Learning Machine, Głębokie sieci neuronowe 7. Test termin I 8. Test termin II |
Efekty uczenia się: |
Student posiada podstawowe kwalifikacje z zakresu uczenia maszynowego i analizy danych i jest gotów do samodzielnej pracy nad przygotowywaniem danych do utworzenia modelu klasyfikującego. Student samodzielnie jest w stanie na podstawie przedstawionych na zajęciach kodów źródłowych jak i publicznie udostępnionych danych zaprogramować wybrane algorytmy uczenia maszynowego. Student zna podstawowe metody uczenia maszynowego takie jak kNN, SVM, MLP. Posiada podstawową wiedzę o głębokich sieciach neuronowych. Jest w stanie wymienić kolejne kroki postępowania przy przetwarzaniu danych w celu utworzenia modelu klasyfikującego. |
Metody i kryteria oceniania: |
Wymagana jest obecność na 4 zjazdach (4 zajęcia laboratoryjne) aby móc przystąpić do zaliczenia. Studenci, którzy przekroczą ten limit otrzymują ocenę NKL. Na laboratoriach na zajęciach 7 i 8 odbywa się zaliczenie oraz kolejno poprawa zaliczenia w postaci krótkiego testu składającego się z pytań zamkniętych z treści wykładu lub materiałów dodatkowych udostępnionych studentom na zajęciach. Nieobecność na zaliczeniu oznacza ocenę "nb.", student który ją otrzyma traci dany termin, chyba że przedstawi dokument go usprawiedliwiający (np. od lekarza), wówczas nie traci tego terminu. Ocena z testu jest wpisywana do protokołu jako ocena z wykładów, do oceny z testu w przypadku oceny z laboratorium dodawana jest aktywność studenta, która może zwiększyć ocenę o jedną ocenę, ale tylko w przypadku zaliczenia testu, bonus nie dotyczy drugiego terminu zaliczenia, jeżeli student opuścił pierwszy termin lub go nie zaliczył. |
Zajęcia w cyklu "Semestr letni 2022/2023" (zakończony)
Okres: | 2023-02-18 - 2023-09-30 |
zobacz plan zajęć |
Typ zajęć: |
Laboratorium, 20 godzin
Wykład, 20 godzin
|
|
Koordynatorzy: | Maciej Janowicz | |
Prowadzący grup: | Maciej Janowicz | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Egzamin/zaliczenie na ocenę/zal w skali zal-std2
Laboratorium - Egzamin/zaliczenie na ocenę/zal w skali zal-std2 Wykład - Egzamin/zaliczenie na ocenę/zal w skali zal-std2 |
Zajęcia w cyklu "Semestr zimowy 2023/2024" (zakończony)
Okres: | 2023-10-01 - 2024-02-18 |
zobacz plan zajęć |
Typ zajęć: |
Laboratorium, 20 godzin
Wykład, 20 godzin
|
|
Koordynatorzy: | Karol Struniawski | |
Prowadzący grup: | Karol Struniawski | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Egzamin/zaliczenie na ocenę/zal w skali zal-std2
Laboratorium - Egzamin/zaliczenie na ocenę/zal w skali zal-std2 Wykład - Egzamin/zaliczenie na ocenę/zal w skali zal-std2 |
Zajęcia w cyklu "Semestr letni 2023/2024" (w trakcie)
Okres: | 2024-02-19 - 2024-07-14 |
zobacz plan zajęć |
Typ zajęć: |
Laboratorium, 20 godzin
Wykład, 10 godzin
|
|
Koordynatorzy: | Karol Struniawski | |
Prowadzący grup: | Karol Struniawski | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Egzamin/zaliczenie na ocenę/zal w skali zal-std2
Laboratorium - Egzamin/zaliczenie na ocenę/zal w skali zal-std2 Wykład - Egzamin/zaliczenie na ocenę/zal w skali zal-std2 |
Właścicielem praw autorskich jest Akademia Finansów i Biznesu Vistula.