Uniwersytet Warszawski - Centralny System Uwierzytelniania
Strona główna

Interaktywne uczenie maszynowe

Informacje ogólne

Kod przedmiotu: 1000-2M21IUM
Kod Erasmus / ISCED: 11.3 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. / (0612) Database and network design and administration Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Interaktywne uczenie maszynowe
Jednostka: Wydział Matematyki, Informatyki i Mechaniki
Grupy: Przedmioty obieralne dla Machine Learning
Punkty ECTS i inne: 6.00 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: angielski
Rodzaj przedmiotu:

monograficzne

Wymagania (lista przedmiotów):

Uczenie statystyczne 1000-317bSML

Założenia (lista przedmiotów):

Data mining 1000-2M03DM
Systemy uczące się 1000-2N09SUS

Skrócony opis:

W czasie zajęć przedstawione zostaną techniki interaktywnej eksploracji danych i konstruowania modeli uczenia maszynowego. W szczególności, omówione zostaną techniki aktywnego uczenia oraz wizualnej eksploracji danych.

Pełny opis:

Najważniejsze tematy poruszane w czasie zajęć

1. Aktywne uczenie

2. Wybór przykładów do efektywnego uczenia modeli

3. Metody aktualizacji modeli

4. Batchowe aktywne uczenie

a. Zapewnienie różnorodności batcha

b. Miary reprezentatywności przykładów

5. Optymalizacja doboru przykładów dla ekspertów

6. Metody osiągania konsensusu etykiet

7. Niepewność modeli jako informatywność

8. Dryft pojęć oraz interaktywna adaptacja modeli

9. Interaktywne odkrywanie anomalii w danych

10. Counterfactual explanations w kontekście redukcji niepewności

11. Semi-supervised learning - używanie modelu do wygenerowania danych uczących na nieoznaczonym kawałku zbioru

12. Interaktywna inżynieria cech

13. Wizualna eksploracja danych

14. Wybrane zagadnienia z dziedziny life-long learning

Literatura:

1. B. Settles: Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning, Morgan & Claypool Publishers 2012

2. Y. Xu, F. Sun, X. Zhang: Literature survey of active learning in multimedia annotation and retrieval. In Proceedings of the Fifth International Conference on Internet Multimedia Computing and Service (ICIMCS '13). ACM, New York, NY, USA, 237–242. 2013.

3. S.-J. Huang, R. Jin, and Z.-H. Zhou. Active learning by querying informative and representative examples. IEEE Transactions on Pattern Analysis and Machine Intelligence, 36(10):1936–1949, Oct. 2014.

4. S. Sinha, S. Ebrahimi, and T. Darrell. Variational adversarial active learning. In 2019 IEEE/CVF International Conference on Computer Vision (ICCV). IEEE, Oct. 2019.

5. R. Khan, M. Gubanov: WebLens: Towards Interactive Large-scale Structured Data Profiling CIKM 2020

6. H. H. Aghdam, A. Gonzalez-Garcia, A. Lopez, and J. Weijer. Active learning for deep detection neural networks. In 2019 IEEE/CVF International Conference on Computer Vision (ICCV). IEEE, Oct. 2019.

Efekty uczenia się:

Po zakończeniu kursu uczestnicy posiądą szeroką wiedzę na temat technik aktywnego uczenia oraz interaktywnego konstruowania modeli ML. W szczególności:

Wiedza i umiejętności:

1. Znają najważniejsze techniki AL.

2. Znają podstawowe metody wyboru podzbioru instancji danych do etykietowania.

3. Znają podstawowe techniki uaktualniania modeli ML w oparciu o nowe dane.

4. Potrafią ewaluować skuteczność technik AL.

5. Znają podstawowe metody ustalania konsensusu przy etykietowaniu instancji danych przez wielu ekspertów.

6. Znają podstawowe techniki identyfikowania anomalii w danych.

7. Znają techniki interaktywnej eksploracji danych oraz wizualnej analizy danych.

8. Zna najważniejsze aktualne trendy w dziedzinie aktywnego uczenia.

Kompetencje:

1. Potrafią przygotować raport z badania efektywności systemu aktywnego uczenia.

2. Potrafią zaprezentować wyniki analizy danych.

3. Potrafią zaprojektować system pozyskiwania wiedzy od ekspertów dziedzinowych w celu trenowania oraz uaktualniania modeli predykcyjnych.

Metody i kryteria oceniania:

Ocena końcowa jest ustalana podstawie sumy punktów z laboratorium i egzaminu.

Dodatkowo, studenci szkoły doktorskiej mogą zaliczać przedmiot przez przygotowanie specjalnego projektu związanego z praktycznym wykorzystaniem AL.

Zajęcia w cyklu "Semestr letni 2023/24" (w trakcie)

Okres: 2024-02-19 - 2024-06-16
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Dominik Ślęzak
Prowadzący grup: Michał Krutul, Dominik Ślęzak
Lista studentów: (nie masz dostępu)
Zaliczenie: Zaliczenie na ocenę
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski.
Krakowskie Przedmieście 26/28
00-927 Warszawa
tel: +48 22 55 20 000 https://uw.edu.pl/
kontakt deklaracja dostępności USOSweb 7.0.3.0 (2024-03-22)