Nauka o danych dla biznesu 1100-12-Z22-IB-NoDB
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, U1, K1:
-) Istota data science.
-) Podstawowe zadania analityczne w DS.
-) Rodzaje uczenia. Metodologia CRISP.
-) Podział i charakterystyka danych statystycznych. Big data.
-) Przygotowywanie zmiennych do badania.
-) Redukcja wymiaru.
-) Klasteryzacja.
-) Wyszukiwanie reguł asocjacji.
-) Analityka predykcyjna (regresja i klasyfikacja).
Program ćwiczeń - W1, W2, U1, U2, K1:
-) Zapoznanie ze środowiskiem programistycznym języka Python.
-) Wprowadzenie do struktury i składni języka Python.
-) Zapoznanie z podstawowymi bibliotekami wykorzystywanymi do analizy danych (Pandas, NumPy, Matplotlib, scikit-learn).
-) Przygotowywanie zmiennych do badania.
-) Wizualizacja danych.
-) Wstępna analiza danych (statystyka opisowa).
-) Analiza głównych składowych.
-) Klasteryzacja.
-) Wyszukiwanie reguł asocjacji.
-) Analityka predykcyjna (regresja i klasyfikacja).
-) Dobór hiperparametrów do modelu.
-) Weryfikacja zdolności prognostycznych modelu.
Całkowity nakład pracy studenta
Efekty uczenia się - wiedza
Efekty uczenia się - umiejętności
Efekty uczenia się - kompetencje społeczne
Metody dydaktyczne podające
- wykład informacyjny (konwencjonalny)
Metody dydaktyczne poszukujące
- obserwacji
Wymagania wstępne
Koordynatorzy przedmiotu
Kryteria oceniania
Wykład: egzamin pisemny - W1, W2, U1, K1.
Ćwiczenia:
- projekt - W1, U1, U2, K1,
- przygotowanie do zajęć / aktywność - W1, W2.
W1 - Zaliczenie pisemne +++, Obserwacja ++, Projekt +
W2 - Zaliczenie pisemne +++, Obserwacja +
U1 - Projekt +++, Obserwacja +++, Zaliczenie pisemne +
U2 - Projekt +++, Obserwacja +++,
K1 - Projekt +++, Zaliczenie pisemne ++, Obserwacja +
Literatura
Literatura obowiązkowa:
-) Data Science using Python and R, Larose Ch. D., Larose D.T, 2019, Wiley
-) Metody i modele eksploracji danych, Larose D.T, 2012, PWN
Literatura uzupełniająca:
-) 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.
Literatura obowiązkowa:
-) Data Science using Python and R, Larose Ch. D., Larose D.T, 2019, Wiley
-) Metody i modele eksploracji danych, Larose D.T, 2012, PWN
Literatura uzupełniająca:
-) 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: