Wprowadzenie do Data Science i uczenia maszynowego 1100-12-G12-DS-WDSUM

Przedmiot prowadzony jest w formie wykładu oraz ćwiczeń. Ćwiczenia realizowane są w laboratorium komputerowym.
Celem przedmiotu jest zapoznanie studentów z podstawami nauki o danych.
Poruszane są nast. tematy szczegółowe:
1. Srodowisko nauki o danych – podstawy sztucznej inteligencji oraz teorii uczenia statystycznego. (W1,W2)
2. Wstęp do metodyki uczenia maszynowego – kluczowe problemy pracy z danymi. (W1,W2)
3. Taksonomia zadań eksploracji danych oraz mechanizmów uczenia maszynowego. (W1)
4. Metodyka procesu eksploracji danych – proces CRISP-DM (W1)
5. Rodzaje danych i ich postaci wykorzystywane w nauce o danych. (W2)
6. Potok eksploracji danych. (U1,U2, K1)
7. Zrozumienie danych (U1,U2, K1)
8. Przygotowanie danych (U1,U2, K1)
Zajęcia składają się z treści dotyczących zagadnień merytorycznych przedmiotu (wykład). W części praktycznej (ćwiczenia) studenci przechodzą do pracy z danymi realizując wstępne etapy procesu CRISP (etap zrozumienia danych oraz przygotowania danych).

Całkowity nakład pracy studenta

1) Wykład: 15 godzin, ćwiczenia: 15 godzin, konsultacje 30. 2) Praca własna studenta - przygotowanie do zajęć: 20 godzin. 3) Praca własna studenta - przygotowanie do uczestnictwa w procesie oceniania: 20 godzin. Razem nakład pracy studenta 100 godzin.

Efekty uczenia się - wiedza

W1: Absolwent zna i rozumie w zaawansowanym stopniu pojęcia, metody i techniki prowadzenia badań, w tym gromadzenia i pozyskiwania danych ze źródeł pierwotnych i wtórnych, danych z sieci społecznych, wybrane narzędzia zaawansowanej analizy danych i wizualizacji danych, niezbędne do prowadzenia działań w ramach gospodarki cyfrowej (K_W08) W2: Absolwent zna w zaawansowanym stopniu metody i narzędzia matematyczno-statystyczne będące fundamentem nauki o danych.(K_W10).

Efekty uczenia się - umiejętności

U1: Absolwent potrafi stosować odpowiednie do problemów w warunkach digitalizacji gospodarki metody i techniki badawcze (K_U04) U2: Absolwent potrafi prognozować procesy i zjawiska gospodarcze występujące w dobie gospodarki cyfrowej z wykorzystaniem metod i narzędzi właściwych dla nauk ekonomicznych, jak również narzędzi służących do znajdowania wzorców i korelacji w dużych zbiorach danych (K_U12)

Efekty uczenia się - kompetencje społeczne

K1: Absolwent jest gotów do myślenia i działania w sposób przedsiębiorczy w zmieniających się realiach gospodarczych na podstawie oceny związanych z tym ryzyk oraz do podejmowania wyzwań pozwalających wykorzystać zdobytą wiedzę z zakresu podstaw nauki o danych – (K_K02)

Metody dydaktyczne

- wykład informacyjny (konwencjonalny) - ćwiczeniowa

Metody dydaktyczne podające

- wykład konwersatoryjny
- wykład problemowy

Metody dydaktyczne poszukujące

- projektu
- ćwiczeniowa
- studium przypadku

Wymagania wstępne

Wiedza z zakresu podstaw matematyki wyższej i statystyki. Znajomość typowych procesów związanych z działalnością operacyjną i strategiczną przedsiębiorstwa. Podstawowa umiejętność pracy w środowisku IT.. Podstawy języka angielskiego w zakresie przedmiotu.

Koordynatorzy przedmiotu

Sylwester Bejger

Kryteria oceniania

Wykład: Egzamin - W1, W2, K1.

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

W1 –Egzamin+++, Obserwacja ++
W2 –Egzamin+++, Obserwacja +
U1 - Kolokwium +++
U2 - Kolokwium +++
K1 – Egzamin++ Kolokwium +++, Obserwacja +

Praktyki zawodowe

nie dotyczy

Literatura

Literatura obowiązkowa:
0. Materiały przekazane przez prowadzącego.
1. Provost,F., Fawcett, T., 2015, Analiza danych w biznesie, Helion.
2. Geron, A., 2020, Uczenie maszynowe z użyciem Scikit-Learn I TensorFlow (wydanie II), Helion.
3. Hastie, T., Tibshirani, R., Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer.
4. Bejger, S. Zaufanie do ilościowych mechanizmów wspomagania podejmowania decyzji finansowych w organizacjach – nowe wyzwania, w: Orzeszko W., Bejger S., Gluzicka A., Miszczyński P., Wójcicka-Wójtowicz A.: Wybrane zastosowania badań operacyjnych w finansach, 2020, Wydawnictwo Naukowe Uniwersytetu Mikołaja Kopernika

Literatura uzupełniająca:
Bejger S., Dudek G., Orzeszko W., Stasiak M., Targiel K.: Uczenie maszynowe w podejmowaniu decyzji prognostycznych, 2020, Wydawnictwo Naukowe Uniwersytetu Mikołaja Kopernika.
Vapnik, V. N. (1995). The nature of statistical learning theory. New York: Springer Verlag.
Chollet F., (2019). Deep Learning. Praca z językiem R i biblioteką Keras. Gliwice: Helion.
Cichosz, P. (2007). Systemy uczące się. WNT.
Breiman, L. (2001). Statistical modeling: The two cultures. Statistical Science. 16(3)

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-WDSUM w USOSweb