Politechnika Warszawska - Centralny System Uwierzytelniania
Strona główna

Analiza danych i uczenie maszynowe w teleinformatyce

Informacje ogólne

Kod przedmiotu: 103A-TLTIC-MSP-ADUM
Kod Erasmus / ISCED: (brak danych) / (brak danych)
Nazwa przedmiotu: Analiza danych i uczenie maszynowe w teleinformatyce
Jednostka: Wydział Elektroniki i Technik Informacyjnych
Grupy: ( Przedmioty techniczne )---EITI
( Przedmioty zaawansowane obieralne )-Teleinformatyka i cyberbezpieczeństwo-mgr.-EITI
( Przedmioty zaawansowane techniczne )--mgr.-EITI
Punkty ECTS i inne: 4.00 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
Jednostka decyzyjna:

103000 - Wydział Elektroniki i Technik Informacyjnych

Kod wydziałowy:

ADUM

Numer wersji:

1

Skrócony opis:

Omówione zostaną wybrane, podstawowe techniki analizy danych i uczenia maszynowego, w szczególności metody wnioskowania oparte na modelach Bayesowskich oraz na wykorzystaniu sztucznych sieci neuronowych, oraz reprezentatywne przykłady zastosowania uczenia maszynowego w obszarze teleinformatyki.

W ramach wykładu przedstawione zostanie pojęcie uczenia maszynowego, zostanie omówiony model procesu uczenia maszynowego i rodzaje metod uczenia maszynowego oraz zastosowania uczenia maszynowego w analizie danych i podejmowaniu decyzji. Przedstawione zostaną podstawy teoretyczne analizy danych oraz uczenia maszynowego, w szczególności wnioskowania opartego na modelach Bayesowskich; pokazane zostaną związki z metodami programowania matematycznego i teorii kolejek. Omówione zostaną wybrane środowiska analizy danych i uczenia maszynowego, w szczególności środowiska języka Python i platformy .NET...

Literatura:

LITERATURA:

  • J. Grus, “Data Science from Scratch: First Principles with Python”. O’Reilly, 2015 (pol. tłum.: “Data science od podstaw. Analiza danych w Pythonie”. Helion, 2018)
  • A Sample-Based Introduction to the Basics of Microsoft Infer.NET Programming”. Microsoft Research, 2018
  • S. Marsland, “Machine Learning. An Algorithmic Perspective”. Chapman & Hall / CRC, 2009 (wybrane rozdziały)
  • Materiały pomocnicze (artykuły, opracowania) zamieszczane na internetowej stronie przedmiotu.

Zajęcia w cyklu "rok akademicki 2024/2025 - sem. letni" (jeszcze nie rozpoczęty)

Okres: 2025-02-17 - 2025-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Ćwiczenia, 15 godzin więcej informacji
Wykład, 15 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: (brak danych)
Lista studentów: (nie masz dostępu)
Zaliczenie: Egzamin
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Politechnika Warszawska.
pl. Politechniki 1, 00-661 Warszawa tel: (22) 234 7211 https://pw.edu.pl kontakt deklaracja dostępności USOSweb 7.0.0.0-7 (2024-03-18)