ium/IUM_00.Organizacyjne.ipynb

6.4 KiB

Logo 1

Inżynieria uczenia maszynowego

0. Informacje organizacyjne [laboratoria]

Tomasz Ziętkiewicz (2022)

Logo 2

Plan na dzisiaj

  1. Informacje organizacyjne
  2. Poznajmy się!
  3. Wprowadzenie

Przedmiot

  • Kod przedmiotu: 06-DIUMUI0
  • Nazwa: Inżynieria Uczenia Maszynowego
  • Sylabus: Sylabus-AITech-InzynieriaUczeniaMaszynowego.pdf

Prowadzący

Prowadzący

Zainteresowania naukowe

  • Przetwarzanie języka naturalnego
  • Rozpoznawanie mowy
  • Postprocessing wyników rozpoznawania mowy
  • Normalizacja tekstu
  • Korekta błędów systemów rozpoznawania mowy

Program zajęć

  1. Wprowadzenie
  2. Dane
  3. Ciągła Integracja - Jenkins
  4. Konteneryzacja - Docker
  5. Biblioteki ML
  6. Jenkins pipeline
  7. Kontrola eksperymentów - Sacred
  8. Kontrola eksperymentów - MLFlow
  9. Środowiska wirtualne
  10. Kontrola eksperymentów - DVC
  11. Github Actions i CML
  12. Zarządzanie Jenkins
  13. Raportowanie
  14. Przegląd technologii
  15. Przegląd technologii, cz. 2

Zasady zaliczenia

W trakcie kolejnych zajęć będą Państwo poznawać różne techniki i narzędzia wspomagające proces rozwoju modeli uczenia maszynowgo.

W wyniku realizacji zadań z poszczególnych zajęć powstaną części składowe potoku uczenia maszynowego (Machine Learning Pipeline) z wykorzystaniem różnych, czasami komplementarnych a czasami alternatywnych technologii.

  • Za wykonywanie na bieżąco zadań z poszczególnych zajęć będą przyznawane punkty.

  • Zadania powinny zostać wykonane przez Państwa do końca dnia poprzedzającego następne zajęcia (o ile w zadaniu nie podano inaczej)

  • Zobowiązuję się ocenić zadania najpóźniej do początku następnych zajęć (czyli np. zadanie z zajęć 2. musi zostać oddane najpóźniej dzień przed zajęciami 3. a wyniki oceny tego zadania zostaną opublikowane najpóźniej w trakcie zajęć 4.)

  • W przypadku braku wykonania zadań w terminie nie zostaną przyznane za nie punkty.

  • W przypadku braku wystawienia przez prowadzącego punktów w terminie, uznaje się przyznanie za zadanie maksymalnej ilości punktów

  • Punkty przysługujące za każde zadanie cząstkowe będą podane przy opisie zadania

    Przelicznik punktów na oceny:

    Ocena % całkowitej liczby punktów
    bardzo dobry (bdb; 5,0) >= 90%
    dobry plus (+db; 4,5) >= 80%
    dobry (db; 4,0) >= 70%
    dostateczny plus (+dst; 3,5) >= 60%
    dostateczny (dst; 3,0) >= 50%
    niedostateczny (ndst; 2,0) < 50%

Obecność

Zgodnie z oficjalnymi zasadami obowiązującymi w projekcie AITech, dopuszczalna liczba nieobecności na zajęciach wynosi 3 (obowiązkowa obecność na 80% zajęć). Powyżej 3 nieobecności przemiot nie może być zaliczony.

Arkusz z obecnościami 2022: https://uam.sharepoint.com//r/sites/2022SL06-DIUMUI0LABInynieriauczeniamaszynowego-Grupa11/Shared%20Documents/General/IUM_2022-punkty-obecnosci.xlsx?d=wbb3bd617ca544c08b2cecd196b3bd383&csf=1&web=1&e=5LZlpq