Data mining dla niezaawansowanych 1000-OG-DM

W czasie kursu uczestnik zapozna się z programem PS IMAGO PRO oraz jego możliwościami. Realizowane będą następujące zagadnienia: pozyskiwanie danych i ich wstępna obróbka, statystyka opisowa, eksploracyjna analiza danych, klasyfikacja, drzewa klasyfikacyjno-regresyjne, podstawy sieci neuronowych, regresja liniowa, grupowanie i analiza koszykowa.
Każdy temat będzie zawierał krótki wstęp teoretyczny, materiał instruktażowy jak rozwiązać danych problem za pomocą PS IMAGO PRO, przykładowe zbiory danych, ćwiczenia do wykonania i zadania do rozwiązania.

Całkowity nakład pracy studenta

30 h – zapoznanie się z materiałami dostępnymi na platformie Moodle, 40 h – praca własna: studiowanie literatury, wykonywanie ćwiczeń, rozwiązywanie zadań, 10 h – konsultacje indywidualne z prowadzącym kurs, 10 h – rozwiązywanie testów i zadań zaliczeniowych. Razem: 90 h (3 pkt. ECTS)

Efekty uczenia się - wiedza

W1. Rozumie potrzebę pozyskiwania wiedzy z danych. Zna podstawowe problemy eksploracji danych. W2. Zna wybrane algorytmy eksploracji danych i wie, które z nich stosują się do określonego typu zagadnień z tego zakresu. W3. Ma wiedzę na temat dostępnego oprogramowania służącego do eksploracji danych.

Efekty uczenia się - umiejętności

U1. Potrafi znaleźć potrzebne dane w zbiorach danych ogólnie dostępnych, umie pobrać dane i poddać je analizie. U2. Umie zaproponować odpowiednie algorytmy eksploracji danych do konkretnego zagadnienia, w tym klasyfikacji, grupowania, szacowania i budowania reguł, oraz wyselekcjonować z ich użyciem najlepszy model. U3. Umie posługiwać się w stopniu podstawowym programem do eksploracji danych PS IMAGO PRO (IBM SPSS Statistics). U4. Potrafi przygotować raport z wynikami swoich analiz.

Efekty uczenia się - kompetencje społeczne

K1. Potrafi sformułować problem eksploracji danych w sposób zrozumiały zarówno dla osób, z którymi współpracuje w tym obszarze, jak i ekspertów analityków. K2. Potrafi poddać krytycznej ocenie pozyskane dane. K3. Potrafi czerpać wiedzę z danych i na tej podstawie formułować propozycje rozwiązania sytuacji problemowych.

Metody dydaktyczne

- Pokaz (filmy instruktażowe demonstrujące działanie programu), - Pogadanka i wykład informacyjny (nagrania krótkich wykładów dotyczących teorii), - Ćwiczeniowa (testy i zadania zlecone przez prowadzących), - Studium przypadku, metody odnoszące się do autentycznych lub fikcyjnych sytuacji (zbiory danych rzeczywistych i przykłady ich analiz), - Metody wymiany i dyskusji (fora dyskusyjne).

Metody dydaktyczne eksponujące

- pokaz

Metody dydaktyczne podające

- wykład informacyjny (konwencjonalny)

Metody dydaktyczne poszukujące

- ćwiczeniowa
- studium przypadku

Metody dydaktyczne w kształceniu online

- metody wymiany i dyskusji

Rodzaj przedmiotu

przedmiot fakultatywny

Wymagania wstępne

Znajomość matematyki na poziomie szkoły średniej. Podstawowa umiejętność posługiwania się komputerem z systemem Windows. Samodyscyplina, umiejętność gospodarowania własnym czasem, umiejętność czytania ze zrozumieniem tekstów napisanych językiem formalnym, otwartość na nowe wyzwania, świadomość konieczności samodoskonalenia się, odwaga w zadawaniu pytań oraz wypowiadaniu się na forum publicznym.

Koordynatorzy przedmiotu

W cyklu 2023/24L:

Agnieszka Goroncy

W cyklu 2024/25L:

Agnieszka Goroncy
Mateusz Topolewski

W cyklu 2022/23L:

Mateusz Topolewski

W cyklu 2021/22L:

Mateusz Topolewski

Kryteria oceniania

- Krótkie testy po każdym z tematów zweryfikują efekty wiedzy W1-W3 i umiejętności U1-U4.
- Zadania zweryfikują efekt wiedzy W2, efekty umiejętności U1-U4 oraz efekty kompetencji społecznych K1-K3.

Praktyki zawodowe

Brak

Literatura

Literatura tradycyjna:
1. Bedyńska S., Książek M. (red.): Statystyczny drogowskaz 1. Praktyczne wprowadzenie do wnioskowania statystycznego. Warszawa, Wydawnictwo Akademickie Sedno, 2012.
2. Górniak J., Wachnicki J.: Pierwsze kroki w analizie danych. Kraków, SPSS Polska, 2004.
3. Daniel T. Larose: Odkrywanie wiedzy z danych, Wydawnictwo Naukowe PWN, Warszawa, 2013.
4. Daniel T. Larose: Metody i modele eksploracji danych, Wydawnictwo Naukowe PWN, Warszawa, 2012.
5. Tadeusz Morzy: Eksploracja danych. Metody i algorytmy. Wydawnictwo Naukowe PWN, Warszawa, 2013.
6. Bartosz Saramak: Wykorzystanie otwartych źródeł informacji w działalności wywiadowczej: historia, praktyka, perspektywy. WDiNP UW, Warszawa, 2015 (dostępne on-line: https://wnpism.uw.edu.pl/wp-content/uploads/2019/08/Wykorzystanie-otwartych-zrodel.pdf, dostęp z dn. 22.10.2020).
7. Sobczyk M.: Statystyka, Wydanie piąte uzupełnione. Warszawa, Wydawnictwo Naukowe PWN, 2020, str. 12-16.
8. Stephane Tuffery: Data Mining and Statistics for Decision Making. Wiley, 2011.
9. Xindong Wu, Vipin Kumar: The Top Ten Algorithms in Data Mining. Chapman & Holl/CRC, 2009.

Zasoby on-line:
1. Biecek P.: Odkrywać! Ujawniać! Objaśniać! Zbiór esejów o sztuce prezentowania danych.
http://www.biecek.pl/Eseje/ (dostęp z dn. 23.10.2020).
2. Polska Statystyka Publiczna https://bip.stat.gov.pl/dzialalnosc-statystyki-publicznej/polska-statystyka-publiczna/ (dostęp z dn. 21.10.2020).
3. Strona internetowa Discovering Statistics z tutorialami, filmami i zbiorami danych https://www.discoveringstatistics.com/ (dostęp z dn. 24.08.2020).
4. Strona internetowa IBM Knowledge Center z dokumentacją produktu IBM SPSS Statistics https://www.ibm.com/support/knowledgecenter/pl/SSLVMB_26.0.0/statistics_kc_ddita/spss/product_landing.html (dostęp z dn. 25.08.2020).
5. Predictive Solutions: Samouczek. http://samouczek.predictivesolutions.pl/ (dostęp z dn. 12.09.2020).
6. Predictive Solutions: Blog. https://predictivesolutions.pl/2,blog (dostęp z dn. 29.10.2020).
7. StatSoft: Internetowy Podręcznik Statystyki. https://www.statsoft.pl/textbook/stathome.html
(dostęp z dn. 25.10.2020).
8. Strona internetowa Towards Data Science: https://towardsdatascience.com/ (dostęp z dn. 30.10.2020).
9. Portal Sztuczna Inteligencja https://www.sztucznainteligencja.org.pl/ (dostęp z dn. 29.10.2020).
10. Narzędzia doboru kolorów na wykresach:
- http://paletton.com (dostęp z dn. 23.10.2020),
- https://colorbrewer2.org/ (dostęp z dn. 23.10.2020).
11. Przemysław Biecek: Przewodnik po pakiecie R 4.0 http://pbiecek.github.io/Przewodnik/ (dostęp z dn. 30.10.2020).
12. Strona domowa projektu R https://www.r-project.org/ (dostęp z dn. 27.10.2020).

Uwagi

W cyklu 2021/22L:

Zajęcia będą odbywały się zdalnie za pośrednictwem platformy Moodle. Szczegółowe informacje dotyczące dostępu do kursu zostaną przekazane uczestnikom za pośrednictwem poczty systemu USOS.

W cyklu 2022/23L:

Zajęcia będą odbywały się zdalnie za pośrednictwem platformy Moodle. Szczegółowe informacje dotyczące dostępu do kursu zostaną przekazane uczestnikom za pośrednictwem poczty systemu USOS.

W cyklu 2023/24L:

Zajęcia będą odbywały się zdalnie za pośrednictwem platformy Moodle. Szczegółowe informacje dotyczące dostępu do kursu zostaną przekazane uczestnikom za pośrednictwem poczty systemu USOS.

W cyklu 2024/25L:

Zajęcia będą odbywały się zdalnie za pośrednictwem platformy Moodle. Szczegółowe informacje dotyczące dostępu do kursu zostaną przekazane uczestnikom za pośrednictwem poczty systemu USOS.

Więcej informacji

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

Strona przedmiotu 1000-OG-DM w USOSweb