Uniwersytet Warszawski, Wydział Nauk Ekonomicznych - Centralny System Uwierzytelniania
Strona główna

Praktyczny Machine Learning w Pythonie

Informacje ogólne

Kod przedmiotu: 2400-ZEWW758
Kod Erasmus / ISCED: 14.3 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0311) Ekonomia Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Praktyczny Machine Learning w Pythonie
Jednostka: Wydział Nauk Ekonomicznych
Grupy: Przedmioty kierunkowe do wyboru - studia II stopnia EP - grupa 1 (3*30h)
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
Punkty ECTS i inne: 3.00 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.

zobacz reguły punktacji
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 2021/22" (zakończony)

Okres: 2022-02-21 - 2022-06-15
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć:
Konwersatorium, 30 godzin więcej informacji
Koordynatorzy: Maciej Wilamowski
Prowadzący grup: Maciej Wilamowski
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Konwersatorium - Zaliczenie na ocenę

Zajęcia w cyklu "Semestr letni 2022/23" (jeszcze nie rozpoczęty)

Okres: 2023-02-20 - 2023-06-18

Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć:
Konwersatorium, 30 godzin więcej informacji
Koordynatorzy: Maciej Wilamowski
Prowadzący grup: Maciej Wilamowski
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Konwersatorium - Zaliczenie na ocenę
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski, Wydział Nauk Ekonomicznych.
ul. Długa 44/50
00-241 Warszawa
tel: +48 22 55 49 126 https://www.wne.uw.edu.pl/
kontakt deklaracja dostępności USOSweb 6.8.0.0-7 (2022-11-16)