Eksploracja danych 1000-ZiED

W czasie zajęć realizowane będą następujące zagadnienia:
1. Podstawowe algorytmy klasyfikacyjne i regresyjne (metoda k najbliższych sąsiadów, drzewa decyzyjne, sieci neuronowe).
2. Podstawowe algorytmy grupowania (np. metoda k średnich, grupowanie hierarchiczne).
3. Ocena jakości modeli uczenia nadzorowanego.
Wszystkie zagadnienia omówione na wykładzie będą następnie ilustrowane ćwiczeniami praktycznymi na zajęciach laboratoryjnych z użyciem środowiska R oraz języka programowania Python.

Efekty uczenia się - wiedza

W1 - Wie jak definiuje się najważniejsze zadania eksploracji danych tj. klasyfikację, szacowanie (regresję), grupowanie i odkrywanie reguł. W2 - Dla każdego z podstawowych problemów eksploracji danych zna przynajmniej jeden algorytm stosowany do jego rozwiązania. W3 - Orientuje się w dostępnych na rynku narzędziach informatycznych stosowanych do eksploracji danych, zna w stopniu podstawowym przynajmniej jedno takie narzędzie.

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 przynajmniej jednym narzędziem informatycznym do eksploracji danych. U4 - Potrafi przygotować raport z wynikami swoich analiz oraz zastosować zbudowany model do klasyfikacji, szacowania lub grupowania w oparciu o nowy zbiór danych.

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 czerpać wiedzę z danych i na tej podstawie formułować propozycje rozwiązania sytuacji problemowych.

Metody dydaktyczne

Pokaz, wykład informacyjny (konwencjonalny), laboratoryjna, projektu, studium przypadku.

Metody dydaktyczne eksponujące

- pokaz

Metody dydaktyczne podające

- wykład informacyjny (konwencjonalny)

Metody dydaktyczne poszukujące

- laboratoryjna
- projektu
- studium przypadku

Metody dydaktyczne w kształceniu online

- metody wymiany i dyskusji
- metody ewaluacyjne
- metody służące prezentacji treści

Wymagania wstępne

- Podstawowa umiejętność posługiwania się komputerem. - Podstawowa umiejętność programowania. - Znajomość podstawowych pojęć statystyki opisowej.

Koordynatorzy przedmiotu

Agnieszka Goroncy

Kryteria oceniania

Egzamin pisemny – uzyskanie oceny pozytywnej z egzaminu zgodnie z kryterium określonym przez prowadzącego zajęcia - W1, W2, U2, K2.

Sprawdziany pisemne (testowe) – kryterium zaliczenia ustala prowadzący na początkowych zajęciach – W2, K2.

Zadania o charakterze analitycznym – kryterium zaliczenia ustala prowadzący na początkowych zajęciach - W3, U1, U2, U3, U4, K1.

Projekt końcowy – kryterium zaliczenia ustala prowadzący na początkowych zajęciach – W3, U2, U3, U4, K1.

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-ZiED w USOSweb