Akademia Finansów i Biznesu Vistula - Centralny System Uwierzytelniania
Strona główna

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 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.
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
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć:
Laboratorium, 20 godzin więcej informacji
Wykład, 20 godzin więcej informacji
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
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć:
Laboratorium, 20 godzin więcej informacji
Wykład, 20 godzin więcej informacji
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
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć:
Laboratorium, 20 godzin więcej informacji
Wykład, 10 godzin więcej informacji
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
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Akademia Finansów i Biznesu Vistula.
ul. Stokłosy 3
02-787 Warszawa
tel: +48 22 45 72 300 https://vistula.edu.pl/
kontakt deklaracja dostępności USOSweb 7.0.0.0-1 (2023-09-06)