Praktyczny Machine Learning w Pythonie
Informacje ogólne
Kod przedmiotu: | 2400-ZEWW758 |
Kod Erasmus / ISCED: |
14.3
|
Nazwa przedmiotu: | Praktyczny Machine Learning w Pythonie |
Jednostka: | Wydział Nauk Ekonomicznych |
Grupy: |
Przedmioty kierunkowe do wyboru - studia II stopnia EP - grupa 4 (1*30h) Przedmioty kierunkowe do wyboru - studia II stopnia IE - grupa 2 (2*30h) Przedmioty kierunkowe do wyboru- studia I stopnia EP Przedmioty wyboru kierunkowego dla studiów licencjackich IE Przedmioty wyboru kierunkowego dla studiów licencjackich MSEM |
Punkty ECTS i inne: |
3.00
|
Język prowadzenia: | polski |
Rodzaj przedmiotu: | nieobowiązkowe |
Skrócony opis: |
Celem zajęć jest przedstawienie najnowszych metod machine learningu, z wykorzystaniem języka programowania Python. W celu kompletnej ilustracji zagadnienia machine learningu przybliżone zostaną wszystkie trzy typy analizy: unsupervised, supervised oraz reinforcement learning. Główny nacisk zostanie jednak położony na modele predykcyjne, zarówno klasyfikacji jak i regresji. Zajęcia będą koncentrować się na wykształceniu intuicyjnego rozumienia omawianych algorytmów, ich silnych oraz słabych stron oraz zdobycia praktycznych umiejętności ich wykorzystania. |
Pełny opis: |
•Wprowadzenie do machine learningu ◦Data science, Data Mining, Deep Learning, Big Data i Machine learning. ◦Znaczenie machine learningu dla biznesu ◦Machine learning jako funkcja. •Supervised learning ◦Problem regresji i klasyfikacji. Funkcja celu. ◦Bias - variance dillema. ◦Regresja liniowa i logistyczna (przypomnienie) ◦Drzewa decyzyjne. ◦Proste drzewa decyzyjne. ◦Random Forest. ◦Boosting. ◦Sieci neuronowe. •Unsupervised learning ◦Klastrowanie ◦Nie tylko K-Means: porównanie licznych algorytmów klastrowania. ◦Klątwa wymiarowości. ◦Redukcja wymiarów: ▪Principal component analysis (PCA) ▪Self-organizing map (SOM) ▪t-distributed stochastic neighbor embedding (t-SNE) •Reinforcement Learning |
Literatura: |
Harrington, Peter. Machine learning in action. Vol. 5. Greenwich, CT: Manning, 2012 |
Efekty uczenia się: |
WIEDZA Zna w sposób pogłębiony metody modelowania predykcyjnego. Zna i rozumie metody oparte o drzewa decyzyjne oraz sieci neuronowe. Zna źródła pozyskiwania dużych zbiorów danych. Zna sposoby wykorzystania języka programowania Python na potrzeby analizy danych Zna możliwości aplikacyjne przedstawionych metod statystycznych i na ich podstawie może tworzyć analizy na potrzeby analiz rynkowych w pracy lub na potrzeby własnej firmy. UMIEJĘTNOŚCI Potrafi dobrać odpowiednią metodę modelowania do postawionego problemu. Na podstawie uzyskanych wyników potrafi formułować własne opinie i aplikować wiedzę teoretyczną do opisu i analizy zjawisk ekonomicznych. Potrafi wyszukać dane, zastosować modelowanie predykcyjne, udokumentować proces analityczny oraz sporządzić opis przeprowadzonych czynności. KOMPETENCJE SPOŁECZNE Praktyka wykorzystania języka programowania Python pozwala na zwiększenie umiejętności samodzielnego uczenia i zwiększa kompetencje w programowaniu obiektowym. Przeprowadzone na zajęciach ćwiczenia i praktyki modelowania pozwalają studentowi być krytycznym względem wyników uzyskiwanych w pracach naukowych. |
Metody i kryteria oceniania: |
Zaliczenie odbywać się będzie na podstawie testu końcowego (test jednokrotnego wyboru) oraz pracy zaliczeniowej/projektu, którego celem jest wykorzystanie umiejętności zdobytych w trakcie semestru w analizie praktycznego problemu. Test końcowy 40% Projekt (realizowany poza zajęciami) 60% Dodatkową możliwością zaliczenia przedmiotu jest udział i osiągnięcie dobrego wyniku w konkursie analizy danych (np. kaggle). Szczegóły podaną zostaną na pierwszych zajęciach. |
Zajęcia w cyklu "Semestr letni 2023/24" (w trakcie)
Okres: | 2024-02-19 - 2024-06-16 |
Przejdź do planu
PN WT ŚR CZ KON
PT |
Typ zajęć: |
Konwersatorium, 30 godzin
|
|
Koordynatorzy: | Maciej Wilamowski | |
Prowadzący grup: | Maciej Wilamowski | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Zaliczenie na ocenę
Konwersatorium - Zaliczenie na ocenę |
Właścicielem praw autorskich jest Uniwersytet Warszawski, Wydział Nauk Ekonomicznych.