Absolwent kursu Modele uczenia maszynowego posiada uporządkowaną wiedzę teoretyczną oraz praktyczne umiejętności z zakresu klasycznych metod uczenia maszynowego, ze szczególnym uwzględnieniem modeli regresyjnych i klasyfikacyjnych. Absolwent posiada kompetencje w zakresie umiejętności korzystania z modeli w środowisku Python.

W obszarze wiedzy absolwent rozumie formalizm matematyczny modeli takich jak regresja liniowa, klasyfikatory Bayesowskie, k-NN, drzewa decyzyjne, SVM oraz sieci neuronowe MLP. Zna podstawy optymalizacji (w tym metody gradientowe i zagadnienia dualne). Rozumie pojęcie zdolności generalizacji, w tym mechanizmy przeuczenia, zna metody selekcji i ekstrakcji cech oraz miary oceny jakości modeli. 

W obszarze umiejętności potrafi implementować i analizować modele uczenia maszynowego w środowisku Jupyter Notebook (z wykorzystaniem np. Pythona i bibliotek numerycznych), umie dobrać odpowiedni model do problemu regresji lub klasyfikacji oraz przeprowadzić jego walidację. Absolwent potrafi stosować techniki poprawy jakości modeli, w tym metody zespołowe (np. Random Forest, boosting). Posiada umiejętności przeprowadzania preprocessing danych, selekcję cech oraz analizę wyników (np. ROC, miary błędów). Umie interpretować wyniki modeli i formułuje wnioski w sposób zrozumiały dla użytkownika końcowego. 

W obszarze kompetencji absolwent posiada zdolność krytycznej oceny modeli i wyników eksperymentów. Rozumie ograniczenia stosowanych metod i potrafi świadomie dobierać narzędzia. Absolwent jest przygotowany do samodzielnego rozwijania i implementowania rozwiązań w zakresie analizy danych i uczenia maszynowego.