Przedmioty obieralne dla Machine Learning (grupa przedmiotów zdefiniowana przez Wydział Matematyki, Informatyki i Mechaniki)
|
Legenda
Jeśli przedmiot jest prowadzony w danym cyklu dydaktycznym, to w odpowiedniej komórce pojawi się koszyk rejestracyjny. Ikona koszyka zależy od tego, czy możesz się rejestrować na dany przedmiot.
- nie jesteś zalogowany 
- aktualnie nie możesz się rejestrować 
- możesz się zarejestrować 
- możesz się wyrejestrować (lub wycofać prośbę) 
- złożyłeś prośbę o zarejestrowanie (i nie możesz jej już wycofać) 
- jesteś pomyślnie zarejestrowany (i nie możesz się wyrejestrować)
Kliknij na ikonę "i" przy koszyku, aby uzyskać dodatkowe informacje.
2022Z - Semestr zimowy 2022/23 2022L - Semestr letni 2022/23 2023Z - Semestr zimowy 2023/24 2023L - Semestr letni 2023/24 (zajęcia mogą być semestralne, trymestralne lub roczne) |
Opcje | |||||||
|---|---|---|---|---|---|---|---|---|
| 2022Z | 2022L | 2023Z | 2023L | |||||
| 1000-2M12AGO |
Algorytmy w genomice obliczeniowej (wspólne z 1000-719GP2) (od 2023-10-01)
|
 
|
brak | brak | brak |
Zajęcia przedmiotu
Semestr zimowy 2022/23
Grupy przedmiotu
- (od 2023-10-01) Przedmioty obieralne dla Machine Learning
Skrócony opis
Celem wykładu jest zapoznanie studenta wybranymi z modelami, algorytmami i narzędziami stosowanymi w genomice porównawczej ze szczególnym uwzględnieniem drzew i ich zastosowaniem w różnych kontekstach. Planowane ćwiczenia będą częściowo formie laboratorium komputerowego. |
|
|
| 1000-2M19TCH |
Chmura w uczeniu maszynowym (od 2023-10-01)
|
brak |
|
brak |
|
Zajęcia przedmiotu
Semestr letni 2022/23
Grupy przedmiotu
- (od 2023-10-01) Przedmioty obieralne dla Machine Learning
Skrócony opis
Program obejmuje dwa obszary zastosowań informatyki będące obecnie w kręgu głównych zainteresowań biznesu z uwagi na oferowane lub spodziewane źródła przewagi konkurencyjnej: chmurę obliczeniową i uczenie maszynowe. Ujęcie zagadnień z zachowaniem podejścia, w którym środowiska chmurowe (głównie typu IaaS i PaaS) są przede wszystkim kontekstem wykonawczym pozwoli skupić się słuchaczom na rozwiązywaniu konkretnych problemów manifestując tym samym podejście pragmatyczne. Całości towarzyszy wspólna praca wraz z partnerem biznesowym nad projektem integrującym tematy z zakresu programu przedmiotu, którego wykonanie jest wymaganym elementem uzyskania oceny. Wybór konkretnych zagadnień wykładu zależy od scenariuszy przedstawionych przez partnera biznesowego, lecz będzie obejmować co najmniej modelowanie matematyczne, szeregi czasowe i techniki przetwarzania języka naturalnego (NLP). |
|
|
| 1000-2M23DE |
Data engineering (od 2023-10-01)
|
brak | brak |
|
brak |
Zajęcia przedmiotu
Semestr zimowy 2023/24
Grupy przedmiotu
- (od 2023-10-01) Przedmioty obieralne dla informatyki
- (od 2023-10-01) Przedmioty obieralne dla Machine Learning
Skrócony opis
Nie podano opisu skróconego, przejdź do strony przedmiotu aby uzyskać więcej danych.
|
|
|
| 1000-2M03DM |
Data mining (od 2023-10-01)
|
brak |
|
brak |
|
Zajęcia przedmiotu
Semestr letni 2022/23
Grupy przedmiotu
- (od 2023-10-01) Przedmioty obieralne dla Machine Learning
Skrócony opis
Przedstawienie głównych zagadnień w dziedzinie eksploracji danych (data mining) i metod ich rozwiązywania; omówienia podstawowych algorytmów i ich efektywnych realizacji na dużych zbiorach danych dla trudnych problemów takich, jak reguły asocjacyjne, redukty, dyskretyzacja atrybutów ciągłych, wzorce czasowe, drzewo decyzyjne; przedstawienie nowoczesnych technik obliczeń takich, jak równoległe przetwarzania, obliczenia ewolucyjne, heurystyki za pomocą standardowych baz danych lub logicznie zbudowanych struktur danych. |
|
|
| 1000-2M13DZD |
Eksploracja i przetwarzanie dużych zbiorów danych (od 2023-10-01)
|
|
brak |
|
brak |
Zajęcia przedmiotu
Semestr zimowy 2022/23
Grupy przedmiotu
- (od 2023-10-01) Przedmioty obieralne dla Machine Learning
Skrócony opis
Przedmiot ugruntowuje teoretyczną i praktyczną wiedzę z zakresu metod uczenia maszynowego i eksploracji danych, pod kątem zastosowań związanych z dużymi, heterogenicznymi, rozproszonymi i dynamicznie przyrastającymi źródłami danych. Omawiana jest problematyka zapewnienia wystarczającej wiarygodności i jakości danych celem uczenia skutecznych modeli klasyfikacji, predykcji itd., jak i utrzymania skuteczności takich modeli jako składowych większych systemów informatycznych. Odwołujemy się do szerokiego zakresu praktycznych form i źródeł danych, w szczególności danych generowanych maszynowo. Omawiamy szeroki zakres praktycznych celów stawianych metodom uczenia maszynowego i eksploracji danych, jak np. wykrywanie anomalii lub podobnych przypadków. Dyskutujemy na praktycznych przykładach pełen cykl życia danych i informacji w systemach przetwarzania i analizy danych, z uwzględnieniem odpowiednio w nie wkomponowanych rozwiązań bazujących na uczeniu maszynowym i eksploracji danych. |
|
|
| 1000-2M21IUM | brak |
|
brak |
|
Zajęcia przedmiotu
Semestr letni 2022/23
Grupy przedmiotu
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. |
|
||
| 1000-2M22OW |
Optymalizacja wypukła (od 2023-10-01)
|
brak |
|
brak |
|
Zajęcia przedmiotu
Semestr letni 2022/23
Grupy przedmiotu
- (od 2023-10-01) Przedmioty obieralne dla Machine Learning
Skrócony opis
This is an introduction to convex optimization, giving an overview of the landscape of convex optimization problems, and covering the most important convex optimization algorithms and lower bounds, as well as convex modelling techniques. The lab sessions cover common approaches to solving convex problems in practice. |
|
|
| 1000-3M22OW | brak |
|
brak | brak |
Zajęcia przedmiotu
Semestr letni 2022/23
Grupy przedmiotu
Skrócony opis
This is an introduction to convex optimization, giving an overview of the landscape of convex optimization problems, and covering the most important convex optimization algorithms and lower bounds, as well as convex modelling techniques. The lab sessions cover common approaches to solving convex problems in practice. |
|
||
| 1000-2M21PRS |
Praktyczne aspekty realizacji systemów rozproszonych (od 2023-10-01)
|
|
|
brak |
|
Zajęcia przedmiotu
Semestr zimowy 2022/23
Grupy przedmiotu
- (od 2023-10-01) Przedmioty obieralne dla Machine Learning
Skrócony opis
Przedmiot porusza tematykę problemów i zagadnień występujących przy realizacji systemów rozproszonych o bardzo dużej skali i jest oparty na doświadczeniach z rzeczywistej implementacji takiego systemu. Omówimy praktyczne aspekty budowy systemów o wysokiej przepustowości, procesujących petabajty danych dziennie w rozproszonych geograficznie centrach danych. Poruszymy typowe problemy oraz rozważymy decyzje związane z utrzymaniem i rozwojem takich systemów. Przyjrzymy się technikom efektywnej wymiany danych pomiędzy komponentami systemu, zagadnieniom związanym z przechowywaniem oraz procesowaniem dużej ilości danych. Zajmiemy się także praktycznymi aspektami organizacji infrastruktury wspomagającej uczenie maszynowe w realiach systemów o dużej skali. |
|
|
| 1000-2M12TGK |
Teoria gier koalicyjnych (od 2023-10-01)
|
brak |
|
brak | brak |
Zajęcia przedmiotu
Semestr letni 2022/23
Grupy przedmiotu
- (od 2023-10-01) Przedmioty obieralne dla Machine Learning
Skrócony opis
Gry koalicyjne stanowią duży, aktywnie rozwijany dział teorii gier. Są one dobrym modelem w każdej sytuacji, w której występuje synergia między graczami - zamiast grać osobno, mogą oni łączyć się w większe grupy w celu osiągnięcia korzystniejszego wyniku. Dlatego też znajdują one zastosowanie w dziedzinach tak różnych jak ekonomia, informatyka (systemy wieloagentowe), medycyna czy nauki polityczne. |
|
|
| 1000-2M14TGS |
Teorio-growe podejście do analizy sieci spolecznych (od 2023-10-01)
|
brak |
|
brak |
|
Zajęcia przedmiotu
Semestr letni 2022/23
Grupy przedmiotu
- (od 2023-10-01) Przedmioty obieralne dla Machine Learning
Skrócony opis
Jeśli interesuje Państwa poznanie metod modelowania i analizy sieci społecznych, w tym serwisów społecznościowych takich jak Facebook, zapraszam na zajęcia. Metody analizy sieci społecznych to zbiór teorii, technik i narzędzi służących do badania złożonych współzależności w grupie (społeczeństwie, społeczności, w firmie, w stadzie, itp.) Istotą analizy sieciowej jest próba zrozumienia zachowania zbiorowości jako całości poprzez analizę siędzi powiązań pomiędzy jednostkami zbiorowości. Dziedzina ta leży na styku wielu dyscyplin (matematyki, sociologi, antropologi, statystyki, ekonomii, itp.), tym nie mniej to właśnie teoria gier oferuję najciekawsze narzędzia do analizy sieci społecznych i to przy jej użyciu osiąga się najważniejsze obecnie wyniki. |
|
|
| 1000-2M22TFG |
Wybrane zagadnienia genomiki funkcjonalnej (od 2023-10-01)
|
brak |
|
brak | brak |
Zajęcia przedmiotu
Semestr letni 2022/23
Grupy przedmiotu
- (od 2023-10-01) Przedmioty obieralne dla Machine Learning
Skrócony opis
Kurs obejmie metody bioinformatyczne, które są kluczowymi składnikami wszystkich interdyscyplinarnych projektów, które mają na celu opisanie i zrozumienie złożonych systemów biologii molekularnej. Skupimy się na analizie danych z genomiki funkcjonalnej, w tym transkryptomiki, proteomiki, metabolomiki i epigenomiki. |
|
|
