Eksploracja danych
2751-BN-S1-3-ED
W czasie zajęć realizowane będą następujące zagadnienia: pozyskiwanie danych i ich wstępna obróbka, statystyka opisowa, eksploracyjna analiza danych, klasyfikacja i algorytmy klasyfikacyjne, regresja i algorytmy szacowania, grupowanie, analiza koszykowa.
Wszystkie zagadnienia omówione na wykładzie będą następnie ilustrowane ćwiczeniami praktycznymi na zajęciach laboratoryjnych z użyciem oprogramowania PS IMAGO PRO.
Całkowity nakład pracy studenta
1. Godziny realizowane z udziałem nauczycieli:
a. wykład – 30 godzin,
b. laboratorium – 30 godzin,
c. bieżące przygotowanie do zajęć, w tym rozwiązywanie zadań zleconych przez prowadzących, zapoznanie się z informacją zwrotną dotyczącą rozwiązanych zadań oraz konsultacje z prowadzącymi zajęcia – 25 godzin.
2. Czas poświęcony na pracę indywidualną studenta/słuchacza/uczestnika kursu potrzebny do pomyślnego zaliczenia przedmiotu:
a. studiowanie literatury – 5 godzin,
b. zapoznanie się z materiałami dodatkowymi – 5 godzin.
3. Czas wymagany do przygotowania się do uczestnictwa w procesie oceniania (np. w egzaminach):
a. przygotowanie się do egzaminu – 15 godzin.
RAZEM: 110 godzin (4 punkty ECTS)
Efekty uczenia się - wiedza
W1. Zna podstawowe problemy eksploracji danych. (K_W21)
W2. Zna wybrane algorytmy algorytmy eksploracji danych
i wie, które z nich stosują się do określonego typu zagadnień z tego zakresu. (K_W21)
W3. Ma wiedzę na temat dostępnego oprogramowania służącego do eksploracji danych. (K_W21)
Efekty uczenia się - umiejętności
U1. Potrafi znaleźć potrzebne dane w zbiorach danych ogólnie dostępnych, umie pobrać dane i poddać je analizie.(K_U14)
U2. Umie zaproponować odpowiednie algorytmy eksploracji danych do konkretnego zagadnienia, w tym klasyfikacji, grupowania, szacowania i budowania reguł, oraz wyselekcjonować z ich użyciem najlepszy model. (K_U19)
U3. Umie posługiwać się w stopniu podstawowym przynajmniej jednym programem do eksploracji danych. (K_U19)
U4. Potrafi przygotować raport z wynikami swoich analiz. (K_U17)
Efekty uczenia się - kompetencje społeczne
K1. Potrafi sformułować problem eksploracji danych
w zakresie bezpieczeństwa w sposób zrozumiały zarówno dla osób, z którymi współpracuje w tym obszarze, jak i ekspertów analityków. (K_K02)
K2. Potrafi poddać krytycznej ocenie dane pozyskane do badania bezpieczeństwa narodowego. (K_K07)
K3. Potrafi czerpać wiedzę z danych i na tej podstawie formułować propozycje rozwiązania sytuacji problemowych. (K_K13)
Metody dydaktyczne
Wykład informacyjny (konwencjonalny), metoda laboratoryjna, pokaz, studium przypadku.
Metody dydaktyczne eksponujące
- pokaz
Metody dydaktyczne podające
- wykład informacyjny (konwencjonalny)
Metody dydaktyczne poszukujące
- studium przypadku
- laboratoryjna
Wymagania wstępne
Podstawowa umiejętność posługiwania się komputerem z systemem Windows. Zaliczenie przedmiotu Bazy danych.
Koordynatorzy przedmiotu
Kryteria oceniania
Ocena części laboratoryjnej będzie wystawiona na podstawie obecności na zajęciach, testów i wykonanych analiz, sprawdzających efekty W3, U1-U4 i K1-K3. Egzamin będzie sprawdzał wiedzę teoretyczną oraz efekty W1 i W2.
Praktyki zawodowe
Literatura
1. Daniel T. Larose: ,,Metody i modele eksploracji danych''. Wydawnictwo Naukowe PWN, Warszawa, 2012.
2. Tadeusz Morzy: ,,Eksploracja danych. Metody i algorytmy’’. Wydawnictwo Naukowe PWN, Warszawa, 2013.
3. Stephane Tuffery: ,,Data Mining and Statistics for Decision Making''. Wiley, 2011.
4. Xindong Wu, Vipin Kumar: ,,The Top Ten Algorithms in Data Mining’’. Chapman & Holl/CRC, 2009.
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i
terminach zajęć) mogą być dostępne w serwisie USOSweb: