Prowadzony w cyklach: 2022/23Z, 2023/24Z, 2024/25Z

Kod ISCED: 0311

Punkty ECTS: 3

Język: polski

Organizowany przez: Katedra Ekonometrii i Statystyki (dla: Wydział Nauk Ekonomicznych i Zarządzania)

Data mining i big data 1100-12-E21-AG-DMBD

1. Big data i hurtownie danych, architektura systemów business inteligance,

2. Data science a data mining - algorytmy analizy danych,

3. EKSPLORACJA NIENADZOROWANA. Techniki redukcji wymiarowości danych - metoda PCA (principal component analysis), CFA (common factor analysis),

4. Analiza skupień - grupowanie obiektów,

5. Badanie asocjacji – analiza koszykowa (basket market analysis),

6. EKSPLORACJA NADZOROWANA. Metody klasyfikacji obiektów - (metody LDA/QDA, drzewa klasyfikacyjne oraz lasy losowe),

7. Regresja logistyczna oraz sztuczne sieci neuronowe w analizie problemów klasyfikacyjnych

W cyklu 2022/23Z:

1. Big data i hurtownie danych, architektura systemów business inteligance,

2. Data science a data mining - algorytmy analizy danych,

3. EKSPLORACJA NIENADZOROWANA. Techniki redukcji wymiarowości danych - metoda PCA (principal component analysis), CFA (common factor analysis),

4. Analiza skupień - grupowanie obiektów,

5. Badanie asocjacji – analiza koszykowa (basket market analysis),

6. EKSPLORACJA NADZOROWANA. Metody klasyfikacji obiektów - (metody LDA/QDA, drzewa klasyfikacyjne oraz lasy losowe),

7. Regresja logistyczna oraz sztuczne sieci neuronowe w analizie problemów klasyfikacyjnych

W cyklu 2023/24Z:

1. Big data i hurtownie danych, architektura systemów business inteligance,

2. Data science a data mining - algorytmy analizy danych,

3. EKSPLORACJA NIENADZOROWANA. Techniki redukcji wymiarowości danych - metoda PCA (principal component analysis), CFA (common factor analysis),

4. Analiza skupień - grupowanie obiektów,

5. Badanie asocjacji – analiza koszykowa (basket market analysis),

6. EKSPLORACJA NADZOROWANA. Metody klasyfikacji obiektów - (metody LDA/QDA, drzewa klasyfikacyjne oraz lasy losowe),

7. Regresja logistyczna oraz sztuczne sieci neuronowe w analizie problemów klasyfikacyjnych

W cyklu 2024/25Z:

1. Big data i hurtownie danych, architektura systemów business inteligance,

2. Data science a data mining - algorytmy analizy danych,

3. EKSPLORACJA NIENADZOROWANA. Techniki redukcji wymiarowości danych - metoda PCA (principal component analysis), CFA (common factor analysis),

4. Analiza skupień - grupowanie obiektów,

5. Badanie asocjacji – analiza koszykowa (basket market analysis),

6. EKSPLORACJA NADZOROWANA. Metody klasyfikacji obiektów - (metody LDA/QDA, drzewa klasyfikacyjne oraz lasy losowe),

7. Regresja logistyczna oraz sztuczne sieci neuronowe w analizie problemów klasyfikacyjnych

Całkowity nakład pracy studenta

1. Godziny realizowane z udziałem nauczyciela 15 godz. 2. Konsultacje indywidualne 15 godz. 3. Konsultacje projektów zaliczeniowych 10 godz. 4. Praca indywidualna studenta potrzebna do pomyślnego zaliczenia przedmiotu (przygotowanie i uzupełnienie notatek; zebranie i wybór odpowiednich materiałów do zajęć, wymagane powtórzenie materiału,, czytanie literatury, zapoznanie się z materiałami dydaktycznymi umieszczonymi na platformie e-learningowej, wykonanie zadań) 10 godz. 5. Liczba godzin wymaganych do przygotowania projektu końcowego – 10 godz.; 6. Praca własna studenta 20 godzin. Łącznie: 80 godzin

Efekty uczenia się - wiedza

W1: Absolwenta zna i rozumie metody i narzędzia, w tym techniki pozyskiwania danych, właściwe dla nauk ekonomicznych, pozwalające opisywać struktury i instytucje społeczno-ekonomiczne, procesy w nich zachodzące, a także relacje między nimi; metody i narzędzia służące do zaawansowanych rodzajów badań ekonomicznych – K_W06

Efekty uczenia się - umiejętności

U1: Absolwent potrafi analizować i prognozować procesy społeczno-gospodarcze z wykorzystaniem metod eksploracji nadzorowanej oraz nienadzorowanej - K_U04 U2: Absolwent potrafi korzystać z różnorodnych źródeł danych Big data, potrafi wyciągać z nich wiedzę oraz interpretować wyniki – K_U03 U3: Absolwent potrafi samodzielnie identyfikować problemy ekonomiczne i biznesowe oraz poszukiwać ich rozwiązań w dużych zbiorach danych Big data - K_U06

Efekty uczenia się - kompetencje społeczne

K1: Absolwent jest gotów samodzielnie i efektywnie pracować z dużymi zbiorami danych - Big data, formułować pytania badawcze, identyfikować ukryte w zależności w danych, oraz poprawnie wnioskować z otrzymanych wyników - K_K01

Metody dydaktyczne podające

- wykład informacyjny (konwencjonalny)

Metody dydaktyczne poszukujące

- ćwiczeniowa
- laboratoryjna

Wymagania wstępne

Zakłada się, że student posiada wiedzę z zakresu statystyki oraz narzędzi informatycznych wykorzystywanych w analizie danych

Koordynatorzy przedmiotu

Andrzej Geise

Kryteria oceniania

W1, U1, U2, U3, K1: projekt końcowy teoretyczno - praktyczny, który sprawdza wiedzę i umiejętności z analizy wybranych zbiorów danych i odkrywania z nich wiedzy z wykorzystaniem środowiska analizy danych IBM SPSS.

U1, U2, U3: zadania dodatkowe do samodzielnego rozwiązania przez studentów.

Literatura

Literatura podstawowa:
Walesiak M., Gatnar E. (red.) Statystyczna analiza danych z wykorzystaniem programu R, Wydawnictwo Naukowe PWN, Warszawa, 2009.

An Introduction to R:A Programming Environment for Data Analysis and Graphics, Version 3.3.2 (2016) (źródło internetowe: https://cran.r-project.org/doc/manuals/R-intro.pdf)

Literatura uzupełniająca:
Larose D.T., Metody i modele eksploracji danych, Wydawnictwo Naukowe PWN, ISBN 978-83-01-15467-7, Warszawa 2008.

Mendrala D., Szeliga M. Microsoft SQL Server. Modelowanie i eksploracja danych, Helion, 2012.

oraz artykuły dostępne w sieci związane z zastosowaniem algorytmów data mining w analizach ekonomicznych i biznesowych,

Uwagi

W cyklu 2022/23Z:

U1, U2, U3: zadania dodatkowe do samodzielnego rozwiązania przez studentów.

W cyklu 2023/24Z:

U1, U2, U3: zadania dodatkowe do samodzielnego rozwiązania przez studentów.

W cyklu 2024/25Z:

U1, U2, U3: zadania dodatkowe do samodzielnego rozwiązania przez studentów.

Więcej informacji

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

Strona przedmiotu 1100-12-E21-AG-DMBD w USOSweb