Analiza asocjacji 1100-12-G12-DS-AnAs

Przedmiot prowadzony jest w formie wykładu oraz ćwiczeń. Ćwiczenia realizowane są w laboratorium komputerowym i dotyczą większości zagadnień omawianych podczas wykładu.
Program wykładu – W1, W2:
1) Istota analizy asocjacji
2) Analiza koszykowa
3) Reguły asocjacyjne
4) Obszary zastosowań analizy asocjacji
5) Miary jakości reguły asocjacyjnej
6) Metody odkrywania asocjacji
7) Analiza sekwencji

Program ćwiczeń – U1, U2, K1:
1) Zapoznanie z podstawowymi bibliotekami języka Python, wykorzystywanymi do badań w zakresie analizy asocjacji.
2) Przygotowywanie zmiennych do badania.
3) Wizualizacja danych.
4) Tworzenie reguł asocjacyjnych.
5) Pomiar jakości reguł asocjacyjnych.

Całkowity nakład pracy studenta

1) Wykład: 15 godzin, ćwiczenia: 15 godzin, konsultacje: 7,5. 2) Praca własna studenta - przygotowanie do zajęć: 15 godzin. 3) Praca własna studenta - przygotowanie do uczestnictwa w procesie oceniania: 22,5 godzin. Razem nakład pracy studenta 75 godzin.

Efekty uczenia się - wiedza

W1: Absolwent zna i rozumie w zaawansowanym stopniu metody uczenia nienadzorowanego, wykorzystywane w analizie asocjacji - K_W01, K_W08, K_W09, K_W10 W2: Absolwent zna i rozumie w zaawansowanym stopniu metody właściwego pozyskiwania danych i ich przetwarzania dla celów analizy asocjacji - K_W08.

Efekty uczenia się - umiejętności

U1: Absolwent potrafi prowadzić samodzielne badania z zakresu analizy asocjacji przy zastosowaniu prawidłowo wybranych metod eksploracji danych – K_U02, K_U04, K_U11, K_U12 U2: Absolwent posiada umiejętność stosowania odpowiednich narzędzi informatycznych do prowadzenia badań z zakresu analizy asocjacji - K_U04, K_U11

Efekty uczenia się - kompetencje społeczne

K1: Absolwent potrafi trafnie określić problem z zakresu analizy asocjacji i znaleźć właściwą metodę jego rozwiązania, przestrzegając etycznych norm zawodowych i zasad postępowania - K_K01, K_K03

Metody dydaktyczne podające

- wykład informacyjny (konwencjonalny)

Metody dydaktyczne poszukujące

- ćwiczeniowa

Wymagania wstępne

- wiedza z zakresu podstaw nauki o danych (data science) - podstawowa znajomość matematyki wyższej, statystyki oraz ekonometrii - znajomość podstaw języka Python

Koordynatorzy przedmiotu

Witold Orzeszko

Kryteria oceniania

Wykład: egzamin pisemny - W1, W2, K1.

Ćwiczenia:
- projekt - U1, U2, K1,
- przygotowanie do zajęć / aktywność - W1, W2, K1.

W1 - Egzamin pisemny +++, Obserwacja ++
W2 - Egzamin pisemny +++, Obserwacja +
U1 - Projekt +++, Obserwacja +++
U2 - Projekt +++, Obserwacja +++,
K1 - Projekt +++, Egzamin pisemny ++, Obserwacja +

Praktyki zawodowe

nie dotyczy

Literatura

Literatura obowiązkowa:
Data Science using Python and R, Larose Ch. D., Larose D.T, 2019, Wiley

Literatura uzupełniająca:
Data mining techniques for marketing, sales, and customer relationship management, Berry M.J.A., Linoff G.S., 2004, Wiley
Python. Machine learning i deep learning. Biblioteki scikit-learn i TensorFlow 2, Raschka S., Mirjalili V., 2021, Helion.

Więcej informacji

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

Strona przedmiotu 1100-12-G12-DS-AnAs w USOSweb