Conducted in
term:
2022/23L
ISCED code: 0613
ECTS credits:
2
Language:
Polish
Organized by:
Faculty of Mathematics and Computer Science
Monographic lecture 1000-I2M2022
This course has not yet been described...
Total student workload
(in Polish) wykład - 30 godzin
praca własna, studiowanie literatury - 30 godzin
RAZEM: 60 godzin
2 punkty ECTS
Learning outcomes - knowledge
(in Polish) W1 - potrafi wymienić podstawowe podejścia (wraz z przykładami modeli) dla zagadnienia Learn2Rank również w kontekście semi-supervised i multi view learning (K_W06).
W2 - dostrzega różnice między danymi ustrukturyzowanymi i nieustrukturyzowanymi, rozumie specyficzne problemy i trudności związane z przetwarzaniem i analizowaniem danych nieustrukturyzowanych (K_W01, K_W04).
W3 - Zna najważniejsze metody wyodrębniania kluczowych cech z repozytoriów kodu źródłowego i przekształcania ich do postaci numerycznej, nadającej się do analizy (K_W02).
(Kody odnoszą się do efektów dla studiów 2 stopnia na kierunku informatyka.)
Learning outcomes - skills
(in Polish) U1. Potrafi znaleźć potrzebne dane w zbiorach danych ogólnie dostępnych, umie pobrać dane i przekształcić je do postaci nadającej się do analizy (K_U02, K_U05, K_U08).
U2. Umie wybrać model eksploracji danych odpowiedni do konkretnego zagadnienia, oraz zaprezentować jego działanie na przykładowych danych (K_U07).
(Kody odnoszą się do efektów dla studiów 2 stopnia na kierunku informatyka.)
Learning outcomes - social competencies
(in Polish) K1. Potrafi sformułować problem Learn2Rank w kontekście eksploracji repozytoriów kodu źródłowego w sposób zrozumiały zarówno dla osób, z którymi współpracuje w tym obszarze, jak i ekspertów analityków. (K_K02)
K2. Potrafi czerpać wiedzę z danych i na tej podstawie formułować propozycje rozwiązania sytuacji problemowych. (K_K03)
(Kody odnoszą się do efektów dla studiów 2 stopnia na kierunku informatyka.)
Observation/demonstration teaching methods
- display
Expository teaching methods
- informative (conventional) lecture
- participatory lecture
- participatory lecture
Exploratory teaching methods
- laboratory
Type of course
elective course
Prerequisites
(in Polish) Aby w pełni docenić materiał w tego wykładu, zalecamy następujące wymagania:
1. Eksploracja danych oraz metody uczenia maszynowego.
2. Algorytmy oraz struktury danych i matematyka dyskretna.
3. Podstawowe wiadomości z zakresu informatyki obejmujące bazy danych i programowanie współbieżne oraz systemy operacyjne.
4. Wymagana jest praktyczna znajomość współczesnego języka programowania np. Python, C, C++, C#, Java, itp. oraz zasad programowania obiektowego.
Course coordinators
Additional information
Additional information (registration calendar, class conductors, localization and schedules of classes), might be available in the USOSweb system: