Analityka predykcyjna 1100-12-G12-DS-AnPre

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 i podstawowe pojęcia analityki predykcyjnej
2) Zadania klasyfikacji i regresji
3) Model predykcyjny
- istota,
- etapy budowy
4) Wybrane algorytmy uczenia nadzorowanego w analityce predykcyjnej
5) Metody uczenia zespołowego
6) Walidacja modeli predykcji
- pojęcie i własności błędu modelu,
- weryfikacja merytoryczna i statystyczna,
- ocena jakości modelu w próbie treningowej i testowej,
- walidacja krzyżowa,
- mierniki jakości modeli klasyfikacji,
- mierniki jakości modeli regresji.
7) Optymalizacja hiperparametrów modeli.

Program ćwiczeń – U1, U2, K1:
1) Zapoznanie z podstawowymi bibliotekami języka Python, wykorzystywanymi do badań w zakresie analityki predykcyjnej.
2) Przygotowywanie zmiennych do badania.
3) Wizualizacja danych.
4) Analiza korelacji.
5) Tworzenie modeli klasyfikacji.
6) Tworzenie modeli regresji.
7) Dobór hiperparametrów do modeli.
8) Weryfikacja zdolności prognostycznych modeli.

Całkowity nakład pracy studenta

1) Wykład: 30 godzin, ćwiczenia: 30 godzin, konsultacje 15. 2) Praca własna studenta - przygotowanie do zajęć: 35 godzin. 3) Praca własna studenta - przygotowanie do uczestnictwa w procesie oceniania: 40 godzin. Razem nakład pracy studenta 150 godzin.

Efekty uczenia się - wiedza

W1: Absolwent zna i rozumie w zaawansowanym stopniu metody uczenia nadzorowanego, wykorzystywane w analityce predykcyjnej - K_W01, K_W08 W2: Absolwent zna i rozumie w zaawansowanym stopniu metody właściwego pozyskiwania danych i ich przetwarzania dla celów analityki predykcyjnej - K_W08.

Efekty uczenia się - umiejętności

U1: Absolwent potrafi samodzielnie prowadzić badania przy zastosowaniu prawidłowo wybranych metod analityki predykcyjnej – K_U02, K_U04, K_U11, K_U12 U2: Absolwent posiada umiejętność stosowania odpowiednich narzędzi informatycznych do prowadzenia badań z zakresu analityki predykcyjnej - K_U04, K_U11

Efekty uczenia się - kompetencje społeczne

K1: Absolwent potrafi trafnie określić problem z zakresu analityki predykcyjnej 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:
Metody i modele eksploracji danych, Larose D.T, 2012, PWN
Making sense of data II (A Practical Guide to Data Visualization, Advanced Data Mining Methods, and Applications), Myatt G.J., Johnson W.P., 2009, Wiley
Python. Machine learning i deep learning. Biblioteki scikit-learn i TensorFlow 2, Raschka S., Mirjalili V., 2021, Helion.
Python. Uczenie maszynowe. Raschka S., Mirjalili V., 2019, Helion.
Python w analizie danych Przetwarzanie danych za pomocą pakietów Pandas i NumPy oraz środowiska IPy, McKinney W., 2018, Helion.
Machine learning, Python i data science. Wprowadzenie, Muller A., Guido S., 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-AnPre w USOSweb