Zastosowanie metod uczenia maszynowego

Wyższa Szkoła Zarządzania i Bankowości w Krakowie działa nieprzerwanie od 1995 roku, łącząc akademicką wiedzę z praktyką. Uczelnia kształci na kierunkach: Informatyka, Informatyka stosowana, Zarządzanie, Finanse i rachunkowość, Logistyka, Marketing cyfrowy, Przedsiębiorczość cyfrowa oraz Komunikacja i psychologia w biznesie. Programy studiów są projektowane z myślą o potrzebach współczesnej gospodarki i współpracy z otoczeniem biznesowym. W ofercie znajdują się także studia podyplomowe oraz kursy rozwijające kompetencje zawodowe. Uczelnia stawia na rozwój praktycznych umiejętności, przedsiębiorczości, innowacyjności oraz kompetencji cenionych na rynku pracy.

Efekty uczenia się

Mikropoświadczenie potwierdza posiadanie przez osobę uczącą się pogłębionej wiedzy, umiejętności praktycznych oraz kompetencji społecznych w zakresie projektowania, trenowania, optymalizacji i oceny modeli uczenia maszynowego, ze szczególnym uwzględnieniem zastosowań praktycznych w obszarze data science.

Osoba, której przyznano mikropoświadczenie, zna i rozumie:

• metody uczenia maszynowego (m.in. regresja, klasyfikacja, klasteryzacja, sieci neuronowe),
• zasady działania i ograniczenia popularnych algorytmów ML (np. Random Forest, SVM, k-NN),
• kluczowe pojęcia uczenia maszynowego, takie jak funkcja kosztu, gradient, overfitting i underfitting,
• metody przygotowania, wzbogacania i organizowania danych na potrzeby modeli ML,
• zasady planowania eksperymentów i oceny jakości modeli.

Osoba, której przyznano mikropoświadczenie, potrafi:

• konstruować i trenować modele uczenia maszynowego dla różnych typów problemów,
• dobierać odpowiednie algorytmy i techniki do konkretnego zadania analitycznego,
• projektować eksperymenty ML (np. walidację krzyżową, optymalizację hiperparametrów),
• analizować wyniki modeli, porównywać podejścia i wyciągać wnioski,
• wizualizować działanie algorytmów i interpretować rezultaty.

Szacowany nakład pracy

4 ECTS

Poziom kwalifikacji (odniesienie do PRK / EQF)

PRK7/EQF7

Metoda oceny efektów uczenia się

Mikropoświadczenie przyznano na podstawie pozytywnej oceny projektu realizowanego w trakcie zajęć konwersatoryjnych.

Weryfikacja efektów uczenia się obejmowała w szczególności:

• poprawność przygotowania danych i konstrukcji modeli ML,
• adekwatność doboru algorytmów do rozwiązywanego problemu,
• jakość zaprojektowanych eksperymentów i analiz wyników,
• umiejętność interpretacji rezultatów i formułowania wniosków,
• samodzielność i odpowiedzialność w realizacji projektu.

Forma realizacji

Mikropoświadczenie potwierdza realizację 100 godzin zajęć teoretycznych, zajęć praktycznych oraz pracy własnej studenta.

Zasady zapewniania jakości mikropoświadczenia

Wydanie mikropoświadczenia opiera się na spójnej macierzy efektów (wiedzy, umiejętności i kompetencji społecznych) – treści – ocen, ich weryfikacji oraz uzgodnionych metodach dydaktycznych, zgodnie z kartą przedmiotu (profil praktyczny) i pod nadzorem koordynatora zajęć. Dbanie o jakość kształcenia zapewnia przejrzyste kryteria i progi zaliczeń, systematyczną ewaluację wyników oraz cykliczną aktualizację treści i metod na podstawie wniosków z oceny i informacji zwrotnych od interesariuszy wewnętrznych i zewnętrznych.