Uczenie maszynowe (Machine Learning)

Zapraszamy do obejrzenia prezentacji specjalności Uczenie maszynowe

Studia II stopnia (magisterskie) na specjalności Uczenie maszynowe umożliwiają uzyskanie specjalistycznej wiedzy w tym zakresie kształcenia. Nauka na studiach magisterskich wymaga uprzedniego ukończenia studiów I stopnia (inżynierskich lub licencjackich) na kierunku informatyka lub innych studiów I stopnia.

Specjalność uruchomiona w ramach projektu Unii Europejskiej: Zintegrowany Program Rozwoju Uczelni na lata 2019-2023.

Kierunek studiów II stopnia na specjalności Uczenie maszynowe (Machine Learning) zapewnia zdobycie wiedzy i umiejętności z zakresu zaawansowanej analizy danych i wykorzystania metod Machine Learning do rozwiązywania problemów w organizacjach różnego typu. Studenci zostaną zapoznani z typami sieci neuronowych, problemami Deep Learningu oraz rozwiązaniami klasy Cloud Computing. Zajęcia praktyczne oparte są na najnowszych technologiach z omawianych dziedzin. Absolwenci specjalności mogą rozwijać swoje kariery zawodowe w wielu atrakcyjnych kierunkach związanych z zaawansowanym przetwarzaniem danych oraz ich analizą. Absolwenci będą przygotowani do rozwoju zawodowego w dziedzinie Data Science.

Charakterystyka przedmiotów specjalistycznych:

LP.Nazwa przedmiotuSemestrLiczba godzinOpis
1Zaawansowane przetwarzanie danych   – wykładI18Wykład omawia problemy związane z zaawansowanym przetwarzaniem danych na potrzeby ich analizy. Zagadnienia normalizacji, standaryzacji, dyskretyzacji, walidacji  i inne techniki wstępnej obróbki danych
2Zaawansowane przetwarzanie danych   – laboratoriumII27Implementacja różnych aspektów przetwarzania danych z wykorzystaniem języków R i Python
3Techniki i metody  wizualizacji danych – wykładII18Wykład omawia zasady i sposoby prezentowania danych pierwotnych i wyników analizy.
4Techniki i metody  wizualizacji danych – laboratoriumII18Realizowanie zadań wizualizacji etapów obróbki danych z wykorzystaniem  różnych pakietów języków R i Python
5Metody i  algorytmy Machine Learning – wykładIII18W ramach wykładu omawiane będą podstawowe algorytmy klasyfikacji i predykcji  wraz z zasadami realizowania etapów uczenia i walidowania modeli
6Metody i  algorytmy Machine Learning – laboratoriumIII27W ramach laboratorium wykonywane będą implementacje różnych zadań związanych z modelami uczenia maszynowego w językach R i Python
7Chmury obliczeniowe – wykładIII27W ramach wykładu zaprezentowane i omówione zostaną różne aspekty rozwiązań chmur obliczeniowych i  możliwości i wykorzystania do realizacji zadań związanych z analizą danych
8Chmury obliczeniowe – laboratoriumIII27W ramach laboratorium realizowany będzie kurs  AWS Machine Learning – Data Scientist Path   oraz zapoznanie z  innymi rozwiązaniami klasy Cloud Computing
9Sieci neuronowe i Deep Learning –  wykładIV27W ramach wykładu omówione zostaną podstawy sieci neuronowych i ich rodzaje oraz zasady i sposoby trenowania modeli.
10Sieci neuronowe i Deep Learning –  laboratoriumIV27Realizowane będą zadania z implementacją sieci neuronowych i procesem uczenia modeli