Eksploracja danych Field of study: Computer Science
Programme code: 08-S1INI12.2015

Module name: Eksploracja danych
Module code: 08-IO1S-13-ED
Programme code: 08-S1INI12.2015
Semester: winter semester 2017/2018
Language of instruction: Polish
Form of verification: course work
ECTS credits: 5
Description:
Celem zajęć w tym module jest zapoznanie studentów z metodami eksploracji danych. W ramach wykładów studenci poznają metody przygotowania danych do analizy polegające na wykrywaniu, a następnie uzupełnianiu braków w danych, wykrywania odchyleń oraz konwersji danych. Zostaną omówione metody dotyczące uczenia z nadzorem i bez nadzoru. W ramach wykładu omówione będą także metody oceny jakości budowanych modeli eksploracyjnych. W ramach laboratorium studenci będą stosowali w praktyce metody analizy danych poznane na wykładzie, wykorzystując różnorodne zbiory danych oraz dostępne programy.
Prerequisites:
(no information given)
Key reading:
(no information given)
Learning outcome of the module Codes of the learning outcomes of the programme to which the learning outcome of the module is related [level of competence: scale 1-5]
Potrafi pracować w zespole dwuosobowym i dokonuje właściwego podziału pracy. [ED_K_9]
 K_1_A_I_K01 [1/5] K_1_A_I_K03 [1/5] K_1_A_I_K06 [1/5]
Potrafi dla wybranego zbioru danych rzeczywistych wyznaczyć miary statystyki opisowej m.in. miary określające wartość średnią, wartość mediany, kwartyle, odchylenie standardowe czy wariancję i odpowiednio je zinterpretować. [ED_U_5]
 K_1_A_I_U01 [1/5] K_1_A_I_U04 [1/5] K_1_A_I_U05 [1/5] K_1_A_I_U08 [1/5]
Potrafi wykorzystać dostępne programy do przeprowadzenia pełnej eksploracji dla dowolnego zbioru danych: wczytanie zbioru danych z jego przygotowaniem do analizy łączącym w sobie zadania wykrywania błędów i braków w danych, wykrywania odchyleń, transformacji danych do przystępnej metody ich analizy. [ED_U_6]
 K_1_A_I_U01 [1/5] K_1_A_I_U04 [1/5] K_1_A_I_U05 [1/5] K_1_A_I_U08 [1/5]
Potrafi dla dowolnego zbioru danych przeprowadzić metodę eksploracji wiedzy oraz wykonać obliczenia niezbędne do oceny jakości klasyfikacji. [ED_U_7]
 K_1_A_I_U01 [1/5] K_1_A_I_U04 [1/5] K_1_A_I_U05 [1/5] K_1_A_I_U08 [1/5]
Potrafi dla dowolnego zbioru danych z wykonaną analizą eksploracyjną odpowiednio zinterpretować otrzymane wyniki. [ED_U_8]
 K_1_A_I_U01 [1/5] K_1_A_I_U04 [1/5] K_1_A_I_U05 [1/5] K_1_A_I_U08 [1/5]
Ma podstawową wiedzę z zakresu statystyki opisowej m.in. miar określających wartość średnią, wartość mediany, kwartyle, odchylenie standardowe czy wariancję. [ED_W_1]
 K_1_A_I_W01 [1/5] K_1_A_I_W02 [1/5] K_1_A_I_W03 [1/5]
Ma podstawową wiedzę z zakresu metod wydobywania wiedzy z danych. Student wie jaka jest różnica między uczeniem nadzorowanym i nienadzorowanym. Potrafi wybrać metodę eksploracji (analizę skupień, naiwny klasyfikator Bayesa, metodę kNN, drzewa decyzyjne czy np. reguły asocjacyjne) optymalną dla rodzaju danych i celu rozwiązywanego problemu. [ED_W_2]
 K_1_A_I_W09 [1/5]
Zna i rozumie metody oceny jakości klasyfikacji danych: kros walidację, leave-one-out. [ED_W_3]
 K_1_A_I_W09 [1/5] K_1_A_I_W12 [1/5] K_1_A_I_W18 [1/5] K_1_A_I_W19 [1/5] K_1_A_I_W10 [1/5]
Ma podstawową wiedzę z zakresu przygotowania danych do analizy: standaryzacja, normalizacja i dyskretyzacja danych, wykrywanie odchyleń w danych, uzupełnianie braków w danych. [ED_W_4]
 K_1_A_I_W03 [1/5] K_1_A_I_W09 [1/5] K_1_A_I_W12 [1/5] K_1_A_I_W18 [1/5] K_1_A_I_W19 [1/5] K_1_A_I_W10 [1/5]
Type Description Codes of the learning outcomes of the module to which assessment is related
praca pisemna [ED_w_1]
Test pytań wielokrotnego wyboru dotyczący tematyki przedstawionej na wykładzie
 ED_U_5 ED_U_6 ED_U_7 ED_U_8 ED_W_1 ED_W_2 ED_W_3 ED_W_4
prace kontrolne [ED_w_2]
Kolokwia po każdym temacie zamkniętym na ćwiczeniach wraz z kontrolą wiedzy teoretycznej z wykładu
 ED_U_5 ED_U_6 ED_U_7 ED_U_8 ED_W_1 ED_W_2 ED_W_3 ED_W_4
sprawozdania grupowe [ED_w_3]
Realizacja sprawozdania z zastosowania poznanych metod analizy danych dla wybranego zbioru danych rzeczywistych.
 ED_K_9 ED_U_5 ED_U_6 ED_U_7 ED_U_8 ED_W_1 ED_W_2 ED_W_3 ED_W_4
Form of teaching Student's own work Assessment of the learning outcomes
Type Description (including teaching methods) Number of hours Description Number of hours
lecture [ED_fs_1]
Podanie treści kształcenia w formie werbalnej z wykorzystaniem wizualizacji treści. Skupienie się na materiale trudnym pojęciowo i wskazanie źródeł mogących pogłębić wiedzę przedmiotową oraz zadań do samodzielnego wykonania.
 15
Zapoznanie się z tematyką wykładu z wykorzystaniem istniejących pakietów metod: prezentacji wykładowcy z odnośnikami do literatury źródłowej, stron internetowych i materiałów opracowanych przez wykładowcę i udostępnionych studentom.
 30 praca pisemna [ED_w_1]
laboratory classes [ED_fs_2]
Utrwalenie wiedzy pozyskanej na wykładach za pomocą rozwiązywania zadań praktycznych. Dobór metod analizy danych do rodzaju danych.
 30
Rozwiązywanie zadań z poszczególnych tematów wraz z analizą rozwiązań już istniejących. Analiza i opisanie w wersji elektronicznej zadań praktycznych dla jednego (wybranego na początku semestru) zbioru danych rzeczywistych.
75 prace kontrolne [ED_w_2] sprawozdania grupowe [ED_w_3]
Attachments
Module description (PDF)
Information concerning module syllabuses might be changed during studies.
Syllabuses (USOSweb)
Semester Module Language of instruction
(no information given)