Eksploracja danych Kierunek studiów: Informatyka
Kod programu: W4-N2IN19.2021

Nazwa modułu: Eksploracja danych
Kod modułu: W4-IN-N2-20-2-ED
Kod programu: W4-N2IN19.2021
Semestr:
  • semestr letni 2022/2023
  • semestr zimowy 2022/2023
Język wykładowy: polski
Forma zaliczenia: egzamin
Punkty ECTS: 4
Opis:
Celem jest wprowadzenie słuchacza w metody eksploracji danych, zagadnienia klasyfikacji, grupowania oraz indukcji reguł z danych. Treści: 1. Pojęcia wstępne 2. Przygotowanie i wstępna obróbka danych 3. Klasteryzacja 4. Podstawy klasyfikacji 5. Reguły decyzyjne 6. Reguły asocjacyjne 7. Drzewa decyzyjne 8. Zespoły klasyfikatorów 9. Regresja liniowa
Wymagania wstępne:
(brak informacji)
Literatura podstawowa:
Larose Daniel „Metody i modele eksploracji danych”. PWN, 2008 Hand David, Manila Heikki, SmythPadhraic, „Principles of data mining”, MIT Press, 2001. YanchangZhao, „R and data mining”, Example and CaseStudies, Elsevier, 2013. Morzy Tadeusz, „Eksploracja danych”, PWN, 2013 Koronacki Jan, Mielniczuk Jan „Statystyczne systemy uczące”, WNT, 2005 Ćwik Jan, Koronacki Jacek, Statystyczne systemy uczące się w oparciu o pakiet R”, OWPD, 2009 Gatnar Eugeniusz, Walesiak Marek, „Statystyczna analiza danych z wykorzystaniem programu R”, PWN, 2009 Han J., Kamber M.: Data Mining: Concepts and Techniques, Morgan Kaufmann 2011 E. Gatnar, Podejście wielomodelowe w zagadnieniach dyskryminacji i regresji, PWN, 2008
Efekt modułowy Kody efektów kierunkowych do których odnosi się efekt modułowy [stopień realizacji: skala 1-5]
Ma świadomość wpływu metod eksploracji danych i typów danych na jakość eksplorowanej wiedzy. [M_001]
 K_K02 [1/5]
Ma wiedzę z zakresu typów danych, miar podobieństwa, miar oceny jakości klasyfikacji [M_002]
 K_W09 [2/5]
Ma wiedzę z zakresu przygotowania danych do analizy (dyskretyzacja, normalizacja, braki w danych) [M_003]
 K_W09 [2/5]
Ma wiedzę z zakresu wyboru właściwej metody eksploracji w zależności od typu danych wejściowych i oczekiwanych rezultatów [M_004]
 K_W09 [3/5]
Potrafi przygotować zbiór do analizy (dokonać dyskretyzacji danych, normalizacji danych, uzupełnić braki w danych) [M_005]
 K_U03 [2/5] K_U08 [2/5] K_U09 [4/5]
Potrafi zaimplementować wybrane algorytmy analizy skupień [M_006]
 K_U08 [2/5] K_U09 [4/5]
Ma podstawową wiedzę z zakresu reguł asocjacyjnych i decyzyjnych oraz podejść do ich konstruowania [M_007]
 K_U09 [2/5]
Ma podstawową wiedzę na temat oraz potrafi wyznaczyć funkcję regresji liniowej. [M_008]
 K_W01 [1/5] K_W09 [1/5]
Potrafi dokonać klasyfikacji danych i właściwie zinterpretować wynik [M_009]
 K_W09 [3/5]
Typ Opis Kody efektów modułowych do których odnosi się sposób weryfikacji
Egzamin pisemny [W_001]
Weryfikacja wiedzy w oparciu o treści prezentowane na wykładzie. Egzamin składa się zarówno z pytań otwartych jak i zamkniętych z teorii.
 M_001 M_002 M_003 M_004 M_005 M_006 M_007 M_008 M_009
Projekty i sprawozdania [W_002]
Opracowanie projektów ze sprawozdaniami dla nich w określonym terminie jako weryfikacja umiejętności nabytych podczas rozwiązywania problemów.
 M_001 M_002 M_003 M_004 M_005 M_006 M_007 M_008 M_009
Rodzaj prowadzonych zajęć Praca własna studenta Sposoby weryfikacji
Typ Opis (z uwzględnieniem metod dydaktycznych) Liczba godzin Opis Liczba godzin
wykład [Z_001]
Przekazanie treści kształcenia w formie werbalnej z wykorzystaniem środków audiowizualnych oraz innych pisemnych pomocy dydaktycznych.
 20
Przygotowanie do egzaminu.
 20 Egzamin pisemny [W_001]
laboratorium [Z_002]
Szczegółowe przygotowanie studentów do rozwiązywania zadań ze wskazaniem na metodologię postępowania, wskazaniem kolejności wykonywanych czynności.
 20
Przygotowanie do laboratorium. Samodzielne rozwiązanie przez studentów zadań przydzielonych na laboratorium, opracowanie sprawozdań
 60 Projekty i sprawozdania [W_002]
Załączniki
Opis modułu (PDF)
Informacje o sylabusach mogą ulec zmianie w trakcie trwania studiów.
Sylabusy (USOSweb)
Semestr Moduł Język wykładowy
(brak danych)