Kurs dla Studentów AGH

news
course
Author

Mateusz Rzeszutek, PhD

Published

March 4, 2024

Miło mi informować, że została uruchomiona rekrutacja na kurs pt.

Zdalne repozytoria i systemy kontroli wersji w projektach uczenia maszynowego.

Liczba godzin: 60 (realizacja do grudnia 2024), Liczba miejsc: 12,

Kurs jest darmowy. Liczba miejsc ograniczona.

Formularz rekrutacji

Zapraszam

M


Opis kursu:

Kurs dedykowany jest dla studentów posiadających podstawową wiedzę i umiejętności z zakresu programowania przynajmniej w jednym języku programowania, matematyki i statystyki. Ma on na celu poszerzenie wiedzy i umiejętności z zakresu efektywnej pracy w grupie osób posiadających różne kompetencje i umiejętności (interdyscyplinarne projekty). W ramach kursu zostanie przekazana podstawowa wiedza z zakresu programowania, statystyki, przetwarzania danych i uczenia maszynowego w celu wyrównania różnic programowych. Zostaną poszerzenie kompetencji studentów posiadających specjalistyczną wiedzę dziedzinową, ale nie posiadających typowych kompetencji z zakresu informatyki i uczenia maszynowego. Po zakończeniu kursu student będzie przygotowany do pracy w zespołach składających się z wykwalifikowanych specjalistów z zakresu analizy danych i programowania przy zastosowaniu zdalnych repozytoriów i systemów kontroli wersji. Ponadto będzie biegle posługiwał się następującymi narzędziami: R, Rstudio, Git, GitKraken, GitHub.




Zakres kursu:


1. Programowanie

  • Konfiguracja Środowiska Programistycznego: instalacja; interfejs i systemu pomocy; podstawowe komendy.
  • Wprowadzenie do programowania w R: obiekty i operacje; przetwarzanie i wizualizacja danych.

2. Komunikacja w projektach uczenia maszynowego

  • Projekt Quarto: tworzenie projektu; formaty projektów; modyfikacje stylu projektu.
  • Składnia Markdown w Quarto: formatowanie; nagłówki; bloki kodu; linki; listy; tabele; rysunki; równania; cytowania.

3. Systemy kontroli wersji

  • prowadzenie do systemów kontroli wersji: informacje o kontroli wersji; różnice między Git i GitHub oraz rolami, które spełnią w cyklu projektu ML.
  • Tworzenie i modyfikowanie projektu w git: tworzenie projektu; śledzenie zmian; naprawianie prostych błędów; odzyskanie usuniętych plików.
  • Przepływ pracy: klonowanie repozytorium; „wypychanie” zmian; umieszczanie zmian w przechowalni; ściąganie zmian od innych użytkowników.
  • Edytowanie kodu, rozgałęzienia i łączenia: tworzenie rozgałęzień i przełączanie między nimi; łączenie rozgałęzień; podstawowe techniki rozwiązywania konfliktów scalania.

4. Zdalne repozytoria

  • Wprowadzenie do zdalnych repozytoriów: rejestracja konta; komunikacja ze społecznością; zarządzanie powiadomieniami; tworzenia oddziałów; wykonywania zatwierdzeń; wprowadzanie zmian w projekcie; rozwidlenia repozytorium i klony; funkcjonalność etykiet; zastosowanie problemów.
  • Współpraca systemów kontroli wersji oraz zdalnych repozytoriów w Rstudio: integracja Git i GitHub z RStudio; osobisty token dostępu; metody zakładania, klonowanie i kopiowania repozytoriów; obsługa Git z poziomu RStudio.

5. Uporządkowany przepływ pracy projektach uczenia maszynowego

  • Tworzenie modeli.
  • Przygotowanie i przetwarzanie danych za pomocą tzw. recipe.
  • Ocena modelu z zastosowaniem tzw. resamplingu.
  • Strojenie parametrów modelu.
  • Studium przypadku modelu predykcyjnego.

6. Projekt CalPM

Projekt uczenia maszynowego z naciskiem na wykształcenie umiejętności zastosowania przekazanej wiedzy z zakresu zdalnych repozytoriów i systemów kontroli wersji oraz komunikacji, współpracy i dyspozycji zadań wewnątrz zespołu.

  • Sformułowanie indywidualnych problemów badawczych.
  • Dyskusja dotycząca metod realizacji projektu.
  • Prezentacja z realizacji projektu w kontekście komunikacji, powierzania obowiązków, terminów realizacji i synchronizacji działań.
  • Prezentacja końcowa efektów projektu, dyskusja dotycząca napotkanych problemów.

7. Projekt Normalise

Realizacja projektu uczenia maszynowego z naciskiem na komunikację i współpracę z odbiorcą projektu. Cykl spotkań z odbiorcą projektu.

  • Definicja problemu i sformułowanie efektu, który chce osiągnąć klient.
  • Analiza dostępnych zasobów i możliwości realizacji projektu.
  • Przedstawienie wstępnego rozwiązania – dyskusja, definicja problemów, wstępna ocena możliwości uzyskania zakładanego efektu.
  • Finalne przedstawienie uzyskanych efektów realizacji projektu.