Inżynieria i analiza Big Data II-wykład WSE-BD-IABD-II-w
Wykład 2 (WYK2) Semestr letni 2023/24

Obowiązkowa:

1) Szeliga M., Data science i uczenie maszynowe, Wydawnictwo Naukowe PWN, Warszawa 2017

2) Szeliga M., Praktyczne uczenie maszynowe, Wydawnictwo Naukowe PWN, Warszawa 2019

3) Stephenson D., Big data, nauka o danych i AI bez tajemnic, Wydawnictwo Helion, Gliwice 2020.

Optionalna:

1) https://sociology.ubc.ca/news/the-sociological-take-on-ai-unpacking-current-debates/#:~:text=Themes%20include%20AI's%20impact%20on,crime%20prediction%2C%20and%20welfare%20systems.

2) S. Bwanakare (et al.), ESSnet Big Data I, WP7 Reports, milestones and deliverables1, EUROSTAT, 2017, https://ec.europa.eu/eurostat/cros/search/site/WP7%2520Multiple%2520domains_en .

W01. Posiada ustrukturyzowaną i pogłębioną wiedzę na temat metodologiczno-technicznych powiązań Big Data ze sztuczną inteligencją

W02. Posiada wiedzę z zakresu analizy opisowej i diagnostycznej masowych danych,

W03. Posiada wiedzę na temat metod analizy predyktywnej i symulacyjnej ogromnych danych w kontekście uczenia maszynowego i sztucznej inteligencji

U01. Potrafi przeprowadzić analizę opisową i diagnozę na ogromnych danych przy użyciu oprogramowania SPSS

U02. Potrafi przeprowadzić predyktywną analizę klasyfikacji i/lub grupowania za pomocą oprogramowania SPSS w kontekście zjawiska społecznego.

K01. Zespołowe przygotowywanie projektów społecznych z zakresu analizy danych

K02. Współpraca interdyscyplinarna w kontekście realizowanych zadań

Kryteria zaliczenia przedmiotu: - obecność i aktywność (25%), praca domowa w grupie 4-osobowej (prezentacja pracy w ciągu ostatnich 45 minut ostatniego spotkania) (75%)

1. Metodologiczne stopnienie wartości informacji: od Big Data do sztucznej inteligencji

2. Cechy Big data i ich struktura statystyczna

3. Analiza opisowa i analiza diagnostyczna danych

4. Metody eksploracyjne danych(data mining) :

a) grupowanie

b) klasyfikacja nie kontrolowana i kontrolowana

5. Uczenie maszynowe i sztuczna inteligencja

Wykład