Eksploracja danych
Informacje ogólne
Kod przedmiotu: | WP-BGC-N-2-ED | Kod Erasmus / ISCED: | (brak danych) / (brak danych) |
Nazwa przedmiotu: | Eksploracja danych | ||
Jednostka: | Wydział Prawa i Administracji | ||
Grupy: | |||
Strona przedmiotu: | https://e.uksw.edu.pl/course/view.php?id=16709 | ||
Punkty ECTS i inne: |
2.00 (zmienne w czasie)
![]() ![]() |
||
Język prowadzenia: | polski | ||
Poziom przedmiotu: | podstawowy |
||
Symbol/Symbole kierunkowe efektów uczenia się: | Wiedza (W): CwC1_W09, CwC1_W12, CwC1_W13 Umiejętności (U): CwC1_U03, CwC1_U10 Kompetencje społeczne (K): CwC1_K01, CwC1_K02 |
||
Skrócony opis: |
Rodzaj przedmiotu: obowiązkowy. Wymagania wstępne: Znajomość podstawowych pojęć dotyczących relacyjnych baz danych. Znajomość podstaw logiki matematycznej. Forma i warunki zaliczenia: Przygotowanie sprawozdania dotyczącego zadań wykonywanych podczas zajęć. Założenia i cele przedmiotu: Celem przedmiotu jest zapoznanie studenta z podstawowymi zadaniami i metodami eksploracji danych wielorelacyjnych. Student ma nabyć umiejętność doboru narzędzi do rozwiązania danego problemu z dziedziny eksploracji danych wielorelacyjnych. Metody dydaktyczne: ćwiczebna, pracownia specjalistyczna. |
||
Pełny opis: |
Wprowadzenie Przebieg procesu eksploracji danych. Reprezentacje danych wejściowych. Atrybuty, instancje. Reprezentacja informacji wyjściowych (tabele, modele liniowe, drzewa, reguły, reprezentacje w postaci zbiorów instancji). Uczenie nadzorowane i nienadzorowane. Przykłady zadań eksploracji danych (opisowych, estymacja, predykcja, klasyfikacja, klasteryzacja i odkrywanie skojarzeń) Wstępne przetwarzanie danych Oczyszczanie danych, brakujące dane, skalowanie, wykrywanie danych odstających, metody graficzne, dyskretyzacja, ekstrakcja i selekcja cech, redukcja wymiarowości. Przegląd algorytmów eksploracji danych • metody Bayesowskie (naiwny model Bayesowski i sieci Bayesowskie) • drzewa decyzyjne (C4.5, random forrest) • odkrywanie reguł • reguły skojarzeniowe • regresja liniowa i logistyczna • metody oparte na instancjach (kNN) • Support Vector Machines • metody klasteryzacji (k-means, mean shift, DBSCAN, Ward) Ocena rezultatów Ocena wydajności, walidacja krzyżowa, porównanie schematów eksploracji danych, ocena prawdopodobieństw predykcji, zasada minimalizacji długości opisu. Przykłady zastosowań • systemy rekomendacji. Metody oparte na sąsiedztwie oraz faktoryzacji macierzy. Konkurs Netflix. • analiza danych w sieci Internet |
||
Literatura: |
a) podstawowa: 1. Dzeroski S., Lavrac N. (red.): Relational Data Mining. Springer, Berlin, 2001. 2. Knobbe A.: Multi-Relational Data Mining, IOS Press, 2006. 3. Dzeroski S.: Multi-relational data mining: An introduction. SIGKDD Explorations Newsletter 5(1), s. 1 - 16, 2003. b) uzupełniająca: 1. Hand D., Mannila H., Smyth P.: Eksploracja danych, Wydawnictwa Naukowo-Techniczne, 2005. 2. Lavrac N., Dzeroski S.: Inductive Logic Programming: Techniques and Applications. Ellis Horwood, New York, 1994. 3. Cichosz P.: Systemy uczące się. WNT, Warszawa, 2000. |
||
Efekty kształcenia i opis ECTS: |
absolwent zna i rozumie: podstawy informatyki podstawy konstrukcji oprogramowania podstawy matematyki absolwent potrafi: posługiwać się narzędziami informatycznymi posługiwać się narzędziami informatycznymi w przeprowadzaniu badań absolwent jest gotów do: uczenia się przez całe życie. Potrafi w tym celu wykorzystać narzędzia informatyczne. Rozumie potrzebę ustawicznego pogłębiania wiedzy i umiejętności oraz potrafi samodzielnie wykorzystywać w tym celu dostępne mu źródła. Potrafi czytać ze zrozumieniem teksty ogólne i specjalistyczne współdziałania i pracy w grupie, przyjmując w niej różne role Nakład pracy studenta (bilans punktów ECTS) Udział w zajęciach 15 godz Dodatkowe godziny kontaktowe z nauczycielem 4 godz Samodzielne studiowanie tematyki zajęć 25 godz Udział w ćwiczeniach laboratoryjnych 15 godz Sumaryczne obciążenie pracą studenta 59 godz Punkty ECTS za moduł 2 ECTS |
||
Metody i kryteria oceniania: |
Dla wszystkich efektów przyjmuje się następujące kryteria oceny we wszystkich formach weryfikacji: ocena 5: osiągnięty w pełni (bez uchwytnych niedociągnięć) ocena 4,5: osiągnięty niemal w pełni i nie są spełnione kryteria przyznania wyższej oceny ocena 4: osiągnięty w znacznym stopniu i nie są spełnione kryteria przyznania wyższej oceny ocena 3,5: osiągnięty w znacznym stopniu – z wyraźną przewagą pozytywów – i nie są spełnione kryteria przyznania wyższej oceny ocena 3: osiągnięty dla większości przypadków objętych weryfikacją i nie są spełnione kryteria przyznania wyższej oceny ocena 2: nie został osiągnięty dla większości przypadków objętych weryfikacją Ocena końcowa x jest wyznaczana na podstawie wartości st(w)= 5, jeśli 4,5 < w; st(w)= 4,5, jeśli 4,25 < w <= 4,5; st(w)= 4, jeśli 3,75 < w <= 4,25; st(w)= 3,5, jeśli 3,25 < w <= 3,75; st(w)= 3, jeśli 2,75 < w <= 3,25; st(w)= 2, jeśli w <= 2,75 oraz na bazie podanej niżej reguły: x wyznacza się ze wzoru x=st(z), gdzie z jest średnią ważoną ocen z przeprowadzonych weryfikacji,w których wagi ocen z egzaminów wynoszą 2, a wagi ocen z innych form weryfikacji są równe 1 |
Zajęcia w cyklu "Semestr zimowy 2019/20" (zakończony)
Okres: | 2019-10-01 - 2020-01-31 |
![]() |
Typ zajęć: |
Warsztaty, 15 godzin ![]() |
|
Koordynatorzy: | Jakub Gąsior | |
Prowadzący grup: | Jakub Gąsior | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Zaliczenie na ocenę
Warsztaty - Zaliczenie na ocenę |
|
Typ przedmiotu: | obowiązkowy |
|
Grupa przedmiotów ogólnouczenianych: | nie dotyczy |
Zajęcia w cyklu "Semestr zimowy 2020/21" (zakończony)
Okres: | 2020-10-01 - 2021-01-31 |
![]() |
Typ zajęć: |
Warsztaty, 15 godzin ![]() |
|
Koordynatorzy: | Jakub Gąsior | |
Prowadzący grup: | Jakub Gąsior | |
Strona przedmiotu: | https://e.uksw.edu.pl/course/view.php?id=16709 | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Zaliczenie na ocenę
Warsztaty - Zaliczenie na ocenę |
|
E-Learning: | E-Learning (pełny kurs) z podziałem na grupy |
|
Typ przedmiotu: | obowiązkowy |
|
Grupa przedmiotów ogólnouczenianych: | nie dotyczy |
|
Literatura: |
Materiały zamieszczone na platformie e-learningowej. |
Właścicielem praw autorskich jest Uniwersytet Kardynała Stefana Wyszyńskiego w Warszawie.