Eksploracja danych 1000-MS1-EDanych

https://moodle.mat.umk.pl/course/view.php?id=3383

W czasie zajęć realizowane będą następujące zagadnienia: zrozumienie danych i ich wstępna obróbka, klasyfikacja i algorytmy klasyfikacyjne (k-nn, naiwany klasyfikator bayesowski, regresja logistyczna, drzewa decyzyjne, lasy losowe, drzewa wyjątkowo losowe, sieci neuronowe, SVM), regresja i algorytmy szacowania (k-nn, regresja liniowa, drzewa CRT, sieci neuronowe), grupowanie (metodami k średnich i k medoidów, hierarchiczną, dwustopniową analizą skupień, DBSCAN), analiza koszykowa, metody redukcji wymiaru, metody selekcji zmiennych, metody oceny jakości modeli uczenia nadzorowanego i nienadzorowanego, prognozowanie z wykorzystaniem metod uczenia maszynowego.

Wszystkie zagadnienia omówione na wykładzie będą następnie ilustrowane ćwiczeniami praktycznymi na zajęciach laboratoryjnych z użyciem języka programowania Python.

Całkowity nakład pracy studenta

Wykład – 30 godz. Laboratorium – 30 godz. Studiowanie literatury i materiałów zamieszczonych przez prowadzących oraz konsultacje z prowadzącymi zajęcia – 30 godz. Przygotowanie do egzaminu – 15 godz. Wykonanie zadań niezbędnych do zaliczenia przedmiotu a polegających na przeprowadzeniu analiz danych – 45 godz. Razem: 150 godz.– 6 punktów ECTS

Efekty uczenia się - wiedza

W01 - Zna najważniejsze zagadnienia eksploracji danych dotyczące klasyfikacji, grupowania i szacowania (K_W01, K_W03). W02 - Dla każdego z podstawowych problemów eksploracji danych zna przynajmniej jeden algorytm stosowany do jego rozwiązania (K_W03, K_W06). W03 - Orientuje się w dostępnym na rynku oprogramowaniu do eksploracji danych, zna w stopniu podstawowym przynajmniej jeden taki program (K_W04, K_W07).

Efekty uczenia się - umiejętności

U01 - Potrafi znaleźć potrzebne dane w zbiorach danych ogólnie dostępnych, umie pobrać dane i poddać je analizie (K_U21). U02 - Umie zaproponować odpowiednie algorytmy eksploracji danych do konkretnego zagadnienia, w tym klasyfikacji, grupowania, szacowania i budowania reguł, oraz wyselekcjonować z ich użyciem najlepszy model (K_U02, K_U19). U03 - Umie posługiwać się w stopniu podstawowym przynajmniej jednym programem do eksploracji danych (K_U03). U04 - Potrafi przygotować raport z wynikami swoich analiz oraz zastosować zbudowany model do klasyfikacji, szacowania lub przewidywania w oparciu o nowy zbiór danych (K_U05).

Efekty uczenia się - kompetencje społeczne

K01 - Potrafi sformułować problem eksploracji danych w sposób zrozumiały zarówno dla osób, z którymi współpracuje w tym obszarze, jak i ekspertów analityków (K_K03). K02 - Potrafi czerpać wiedzę z danych i na tej podstawie formułować propozycje rozwiązania sytuacji problemowych (K_K04).

Metody dydaktyczne eksponujące

- pokaz

Metody dydaktyczne podające

- wykład informacyjny (konwencjonalny)

Metody dydaktyczne poszukujące

- projektu
- studium przypadku
- laboratoryjna

Metody dydaktyczne w kształceniu online

- metody odnoszące się do autentycznych lub fikcyjnych sytuacji
- metody rozwijające refleksyjne myślenie

Koordynatorzy przedmiotu

Joanna Karłowska-Pik

Kryteria oceniania

Egzamin pisemny testowy lub ustny (w zależności od sytuacji pandemicznej) – W01, W02

Zaliczenie laboratorium na podstawie m.in. obecności, testów, zadań domowych oraz projektu końcowego – W03, U01-U04, K01, K02

Praktyki zawodowe

Nie dotyczy.

Literatura

Literatura podstawowa:

1. Daniel T. Larose: ,,Odkrywanie wiedzy z danych''. Wydawnictwo Naukowe PWN, Warszawa, 2006.

2. Daniel T. Larose: ,,Metody i modele eksploracji danych''. Wydawnictwo Naukowe PWN, Warszawa, 2012.

3. Ch. D. Larose, D. T. Larose: ,,Data Science Using Python and R''. Wiley, 2019.

4. Aktualna dokumentacja narzędzi informatycznych wykorzystywanych na laboratoriach.

Literatura uzupełniająca:

5. Tadeusz Morzy: ,,Eksploracja danych. Metody i algorytmy’’. Wydawnictwo Naukowe PWN, Warszawa, 2013.

6. Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani: ,,An Introduction to Statistical Learning with Applications in R''. IV Edition. Springer, 2014 (dostępne na stronie http://www-bcf.usc.edu/~gareth/ISL/ISLR%20Fourth%20Printing.pdf).

7. Trevor Hastie, Robert Tibshirani, Jerome Friedman: ,,The Elements of Statistical Learning''. Springer, 2009 (dostępne na stronie http://statweb.stanford.edu/~tibs/ElemStatLearn/).

8. Paweł Cichosz: ,,Data Mining Algorithms Explained Using R’’. Wiley, 2015.

Więcej informacji

Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb:

Strona przedmiotu 1000-MS1-EDanych w USOSweb