Network analysis and recommender systems 1100-12-G13-DS-ASiSR

(in Polish) Studia stacjonarne 1) Wykład: 15 godzin, ćwiczenia: 15 godzin, konsultacje: 20. 2) Praca własna studenta - przygotowanie do zajęć: 25 godzin. 3) Praca własna studenta - przygotowanie do uczestnictwa w procesie oceniania: 25 godzin. Razem nakład pracy studenta 100 godzin. Studia niestacjonarne 1) Wykład: 9 godzin, ćwiczenia: 9 godzin, konsultacje: 20. 2) Praca własna studenta - przygotowanie do zajęć: 31 godzin. 3) Praca własna studenta - przygotowanie do uczestnictwa w procesie oceniania: 31 godzin. Razem nakład pracy studenta 100 godzin.

(in Polish) Wykład: W1: Absolwent zna i rozumie w zaawansowanym stopniu metody właściwego pozyskiwania danych i ich przetwarzania dla celów analizy sieci oraz tworzenia systemów rekomendacyjnych - K_W08. W2: Absolwent zna w zaawansowanym stopniu i rozumie możliwość wykorzystania systemów rekomendacyjnych do oferowania usług lub produktów przez podmioty prowadzące działalność gospodarczą – K_W08, K_W09. W3: Absolwent zna w zaawansowanym stopniu metodykę teorii grafów i sieci – K_W10. Ćwiczenia: W1: Absolwent zna i rozumie w zaawansowanym stopniu metody właściwego pozyskiwania danych i ich przetwarzania dla celów analizy sieci oraz tworzenia systemów rekomendacyjnych - K_W08. W2: Absolwent zna w zaawansowanym stopniu i rozumie możliwość wykorzystania systemów rekomendacyjnych do oferowania usług lub produktów przez podmioty prowadzące działalność gospodarczą – K_W08, K_W09. W3: Absolwent zna w zaawansowanym stopniu metodykę teorii grafów i sieci – K_W10.

(in Polish) Ćwiczenia: U1: Absolwent potrafi stosować metodykę teorii grafów i sieci do analizy powiązań w sieciach rzeczywistych – K_U04, K_U12. U2: Absolwent potrafi stosować narzędzia tworzenia i analizy systemów rekomendacyjnych – K_U04, K_U12.

(in Polish) Ćwiczenia: K1: Absolwent potrafi trafnie określić problem i znaleźć właściwą metodę jego rozwiązania, przestrzegając etycznych norm zawodowych i zasad postępowania - K_K01, K_K03.

- informative (conventional) lecture

- case study
- practical

(in Polish) - wiedza z zakresu podstaw data science i uczenia maszynowego - znajomość metod analityki predykcyjnej (uczenie nadzorowane) - podstawowa znajomość matematyki wyższej oraz statystyki - znajomość podstaw języka Python

Additional information (registration calendar, class conductors, localization and schedules of classes), might be available in the USOSweb system:

• Description of 1100-12-G13-DS-ASiSR in USOSweb