Liczba godzin: L: 24

Prowadzący: dr inż. Włodzimierz Dąbrowski, mgr inż. Dominik Lewy

Cel przedmiotu:

Celem przedmiotu jest zapoznanie studentów z podstawowymi algorytmami uczenia maszynowego. Omawiane będą algorytmy eksploracji danych (uczenie bez nadzoru), jak również algorytmy regresji i rozpoznawania wzorców. Przedmiot ten jest wstępem teoretycznym stanowiącym przegląd większości współcześnie wykorzystywanych rozwiązań algorytmicznych w Uczeniu maszynowym.

Program szczegółowy:

1. Metody klasteryzacji (metody optymalizacyjne i hierarchiczne).
2. Algorytmy regresji.
3. Dobór zmiennych i funkcje kary.
4. Algorytmy klasyfikacji.
5. Ensembling (wzmacnianie klasyfikatorów).

Liczba godzin: L: 12

Prowadzący: mgr inż. Paweł Redzyński

Cel przedmiotu:

Celem przedmiotu jest zapoznanie studentów z problemami związanymi z czyszczeniem danych oraz globalną analizą populacji. Studenci poznają historię nieudanych prób analizy populacji mających odczuwalne skutki w świecie nauki i przemysłu. Nabędą również wiedzę kluczową do umiejętnej próby przetwarzania danych o niskim stopniu jakości i kompletności.

Program szczegółowy:

1. Teoria zbiorów
2. Populacja i próby statystyczne
3. Metody akwizycji danych i błędy
4. Analiza zależności
5. Przykłady historyczne
6. Statystyczne testy wiarygodności
7. Brakujące i niestandardowe dane

Liczba godzin: S: 16

Prowadzący: dr inż. Grzegorz Sarwas

Cel przedmiotu:

Celem przedmiotu jest zapoznanie studentów z podstawowymi terminami analizy statystycznej. Omówione zostaną sposoby wyliczania podstawowych miar takich jak średnia, mediana, skośność czy kurtoza. Przedmiot ma za zadanie przygotować studentów do analizy danych dającej im możliwość zrozumienia ich natury, co jest nierozłączną częścią wstępnej analizy każdego procesu modelowania. Poruszone zostaną także tematy związane ze sposobem porównywania wektorów cech oraz ze wstępnym przetworzeniem posiadanych zbiorów.

Program szczegółowy:

1. Czym jest próba statystyczna.
2. Szeregi statystyczne.
3. Cechy statystyczne i ich rodzaje.
4. Miary tendencji centralnej i rozrzutu.
5. Analiza współzależności cech.
6. Wyszukiwanie wartości odstających.
7. Rozkład danych.
8. Analiza składowych głównych.
9. Zmienne losowe.
10. Wartość oczekiwana.
11. Rozkład częstości.
12. Estymacja i estymatory.
13. Hipotezy i testy statystyczne.
14. Statystyczne metody klasyfikacji (Klasyfikator Bayesa).

Liczba godzin: S: 24

Prowadzący: dr inż. Krzysztof Hryniów

Cel przedmiotu:

Celem przedmiotu jest zapoznanie studentów z teoretycznymi i praktycznymi założeniami Big Data (t.j. zbiorów danych na tyle dużych, szybko narastających i o zróżnicowanej strukturze, że niemożliwa jest ich analiza klasycznymi metodami w rozsądnym czasie) i wykształcenie umiejętności praktycznego zastosowania zdobytej wiedzy, zarówno w dziedzinie informatyki jak i innych dziedzinach. Uczestnicy zostaną zapoznani z pochodzeniem koncepcji Big Data, różnymi definicjami, strukturą danych oraz jej zmianą w czasie, potrzebami i istniejącymi rozwiązaniami. Uczestnicy zostaną zapoznani najbardziej popularnymi platformami BigData: Apache Hadoop oraz Apache Spark, ich dystrybucjami (Cloudera, Hortonworks), narzędziami wchodzącymi w skład platform oraz sposobami użycia

Program szczegółowy:

1. Wprowadzenie do koncepcji Big Data - definicje, struktura danych, wyjaśnienie koncepcji Big Data, założenia, obietnice i zagrożenia.
2. Dlaczego powstał MapReduce i Hadoop?
3. Jak działa klaster oparty o Hadoop? Praktyczne przedstawienie działania klastra. Nauka podstaw konfiguracji i zarządzaniem klastrem.
4. Terminy i narzędzia z rodziny Hadoop (HDFS, YARN, Hive, Pig, Sqoop, Flume, Ambari, Zookeeper)
5. Rozwiązania bazodanowe stosowane w Big Data - zapoznanie i nauka podstaw baz relacyjnych, grafowych i dokumentowych.
6. Wprowadzenie do Apache Spark
7. Przykłady zastosowań

Zajęcia są w części prowadzone z wykorzystaniem innowacyjnych i kreatywnych form kształcenia.

Liczba godzin: L: 16

Prowadzący: dr inż. Włodzimierz Dąbrowski

Cel przedmiotu:

Wykład dotyczy zagadnień związanych z wydobywaniem informacji z zbiorów danych. Z uwagi na coraz powszechniejsze gromadzenie danych z różnych dziedzin konieczne staje sie właściwe zarządzanie tymi danymi oraz umiejętne ich przetwarzanie w celu wydobycia z nich przydatnych użytkownikowi, a niewidocznych podczas prostego ich przeglądania, związków i podsumowań. Dziedzina eksploracji danych wykorzystuje narzędzia i techniki pochodzące z innych obszarów: statystyki, sztucznej inteligencji, uczenia się maszyn, rozpoznawania wzorców, baz danych i innych. W trakcie wykładu omówione zostaną podstawowe zagadnienia dotyczące eksploracji danych – podstawy teoretyczne, algorytmy oraz przykłady zastosowań. Pokazane zostaną modele wykorzystywane w przedmiotowej dziedzinie, a takze główne zadania eksploracji danych.

Wykładowi towarzyszą ćwiczenia laboratoryjne przy komputerach.

Program szczegółowy:

1. Wprowadzenie

• definicja i geneza eksploracji danych
• zadania eksploracji danych
• modele eksploracji danych
• dane wykorzystywane w eksploracji
• wizualizacja danych

2. Dane i ich podstawowe miary

• uporządkowana postać danych
• miary tendencji centralnej i rozrzutu
• odległość, podobieństwo, skalowanie
• współzależność atrybutów

3. Klasyfikacja

• klasyfikacja najbliższego sąsiada
• klasyfikacja Bayesowska
• drzewa decyzyjne
• sieci neuronowe

4. Grupowanie

• metoda hierarchiczna
• metoda k-średnich

Liczba godzin: L: 16

Prowadzący: Artur Grządziel

Cel przedmiotu:

Celem przedmiotu jest zapoznanie studentów z metodami i narzędziami analizy danych w biznesie

Program szczegółowy:

1. Metody analizy danych biznesowych
2. Narzędzia analizy danych w biznesie

Liczba godzin: L: 24

Prowadzący: mgr inż. Arkadiusz Cacko

Cel przedmiotu:

Celem przedmiotu jest przedstawienie studentom pakietu Apache Spark. Studenci zdobędą praktyczne umiejętności posługiwania się tym wydajnym narzędziem do analizy danych w ecosystemie Hadoop. Dodatkowo poruszone zostaną tematy związane z architekturą lambda i przetwarzaniem strumieniowym

Program szczegółowy:

1. Wstęp do Apache Spark
2. Sposoby przechowywania danych.
3. Wstęp do architektury lambda.
4. Analiza danych strumieniowych z mediów społecznościowych.

Liczba godzin: L: 12

Prowadzący: Artur Grządziel

Cel przedmiotu:

Celem przedmiotu jest przedstawienie studentowi rzeczywistych adaptacji technik uczenia maszynowego do różnego rodzaju potrzeb rynkowych. Duży nacisk położony zostanie na techniki widzenia maszynowego, systemy rekomendacji oraz sztuczną inteligencję wraz z przykładowymi algorytmami

Program szczegółowy:

1. Automatyzacja a sztuczna inteligencja
2. Inteligentne systemy wizyjne
3. Społeczne skutki automatyzacji
4. Internet of Things, a akwizycja danych
5. Automatyzacja systemów produkcyjnych

Liczba godzin: S: 8

Prowadzący: dr inż. Włodzimierz Dąbrowski, dr inż. Grzegorz Sarwas

Cel przedmiotu:

Celem przedmiotu jest przygotowanie studentów do obrony pracy dyplomowej oraz prezentacji metod i technik związanych z tematyką studiów podyplomowych. Jego założeniem jest umożliwienie dyskusji i wymiany myśli na temat problemów poruszanych w pracach dyplomowych oraz różnych zagadnieniach związanych z tematyką studiów.

Program szczegółowy:

Metody pisania pracy dyplomowej Metody i zasady prowadzenia badań naukowy - podstawy Metody i formy redagowania opracowań naukowych i badawczych w tym pracy dyplomowej magisterskiej Metody i formy prezentacji wyników badań i efektów pracy w formie ustnej z wykorzystaniem technik audiowizualnych

Liczba godzin: L: 24

Prowadzący: mgr inż. Dominik Lewy

Cel przedmiotu:

Celem przedmiotu jest nauczenie studenta wykorzystania wiedzy o Uczeniu maszynowym w praktyce, opierając się na najpopularniejszych rozwiązaniach narzędziowo - programistycznych. Student zapozna się z bibliotekami oraz oprogramowaniem pozwalającym zarówno na prototypowanie, jak i wykorzystanie w systemach produkcyjnych

Program szczegółowy:

1. Jupyter Notebook/Python na potrzeby przetwarzania tekstu/sklearn
2. Regresja
3. Klasyfikacja
4. Klastrowanie
5. Praktyczny case z przetwarzania tekstu i predykcji "kliknięcia" na danych z wyszukiwarki internetowej
6. Sieci Neuronowe (ANN/CNN) - keras/tensorflow

Liczba godzin: L: 16

Prowadzący: mgr inż. Patryk Pilarski

Cel przedmiotu:

Celem przedmiotu jest przedstawienie studentowi teorii stojącej za umiejętną prezentacją danych w formie graficznej w oparciu o wybrane biblioteki graficzne. Student zapozna się z metodami tworzenia raportów wielokrotnego wykorzystania opartych na językach skryptowych

Program szczegółowy:

1. Typy wykresów i ich nadużycia w biznesie 2 IPython i prototypowanie
2. Bokeh i alternatywy
3. Strategia raportowania

Liczba godzin: L: 12

Prowadzący: mgr Szymon Urbański

Cel przedmiotu:

Celem przedmiotu jest przedstawienie studentom adaptacji klasycznych metod zarządzania zespołem w obliczu zespołu Data Science. Student otrzyma wytyczne zarządzania zespołem o charakterystyce R&D, nastawionego na odkrywanie nowych możliwości rozwoju. Metody zostaną przedstawione w kontraście do metod o charakterze produkcyjnym

Program szczegółowy:

1. Metodyki zarządzania
2. Badania i Rozwój - charakterystyka działań
3. Zespół badawczo-rozwojowy, a projekty Data Science
4. Realizacja projektu Data Science
5. Realizacja zadań produkcyjnych