Inteligentne przetwarzanie danych Kierunek studiów: Informatyka
Kod programu: W4-N2IN19.2022

Nazwa modułu: Inteligentne przetwarzanie danych
Kod modułu: W4-IN-N2-20-F-IPD
Kod programu: W4-N2IN19.2022
Semestr:
  • semestr letni 2025/2026
  • semestr zimowy 2025/2026
  • semestr letni 2024/2025
  • semestr zimowy 2024/2025
  • semestr letni 2023/2024
  • semestr zimowy 2023/2024
Język wykładowy: polski
Forma zaliczenia: zaliczenie
Punkty ECTS: 4
Opis:
Celem jest wprowadzenie słuchacza w metody eksploracji danych, zagadnienia klasyfikacji, grupowania oraz indukcji reguł z danych a także podstawy wnioskowania rozmytego czy uczenia głębokiego z elementami sieci neuronowych.
Wymagania wstępne:
(brak informacji)
Literatura podstawowa:
JOHN A. HARTIGAN, „Clustering Algorithms „ Department of Statisties Yaie University , JOHN VVILEY & SONS, 1975 Tadeusz Morzy , „Eksploracja danych : metody i algorytmy”, Warszawa, 2013, PWN. Andrew W. Trask, „Zrozumieć głębokie uczenie”, 2019, PWN Larose Daniel „Metody i modele eksploracji danych”. PWN, 2008 Hand David, Manila Heikki, Smyth Padhraic, „Principles of data mining”, MIT Press, 2001. Morzy Tadeusz, „Eksploracja danych”, PWN, 2013 Gatnar Eugeniusz, Walesiak Marek, „Statystyczna analiza danych z wykorzystaniem programu R”, PWN, 2009
Efekt modułowy Kody efektów kierunkowych do których odnosi się efekt modułowy [stopień realizacji: skala 1-5]
Ma świadomość możliwości jakie daje inteligentne przetwarzanie danych, zwłaszcza w kontekście dużych zbiorów danych. [M_001]
 K_K02 [1/5]
Ma wiedzę z zakresu podstaw sztucznej inteligencji, m.in. logiki rozmytej i wnioskowania rozmytego [M_002]
 K_W02 [2/5] K_W04 [3/5] K_W09 [2/5]
Ma wiedzę z zakresu eksploracji danych w kontekście wykrywania zależności i wzorców (np. reguł) w danych a także danych nietypowych. [M_003]
 K_W02 [1/5] K_W04 [2/5] K_W08 [2/5] K_W09 [4/5]
Ma wiedzę z zakresu podstaw sztucznych sieci neuronowych i zagadnień tzw. Uczenia głębokiego. [M_004]
 K_W02 [2/5] K_W04 [2/5] K_W08 [2/5] K_W09 [3/5]
Potrafi zaimplementować bądź wykonać ręcznie obliczenia i operacje rozmywania, wnioskowania rozmytego oraz wyostrzania [M_005]
 K_U03 [3/5] K_U07 [2/5] K_U08 [2/5] K_U09 [3/5]
Potrafi dla dowolnego zbioru danych zastosować wybrany algorytm indukcji reguł (np. drzewa decyzyjne, reguły asocjacyjne) bądź wykrywania nietypowych przypadków. [M_006]
 K_U01 [1/5] K_U03 [3/5] K_U08 [2/5] K_U09 [3/5]
Potrafi przy użyciu dedykowanych narzędzi stworzyć model sieci neuronowej oraz zinterpretować wyniki uczenia się stworzonego modelu dla dowolnego zbioru danych. [M_007]
 K_U03 [3/5] K_U07 [2/5] K_U08 [2/5] K_U09 [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
Projekty i sprawozdania [W_002]
Opracowanie projektów ze sprawozdaniami dla nich w określonym terminie jako weryfikacja umiejętności nabytych podczas rozwiązywania problemów.
 M_001 M_005 M_006 M_007
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
 15
Przygotowanie do egzaminu
 15 Egzamin pisemny [W_001]
laboratorium [Z_002]
Szczegółowe przygotowanie studentów do rozwiązywania zadań ze wskazaniem na metodologię postępowania, wskazaniem kolejności wykonywanych czynności.
 30
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)