Karta Przedmiotu
| Politechnika Białostocka | Wydział Informatyki | ||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Kierunek studiów | Data Science |
Poziom i forma studiów |
pierwszego stopnia stacjonarne |
||||||||||||||||||||||||
| Grupa przedmiotów / specjalność |
Profil kształcenia | ogólnoakademicki | |||||||||||||||||||||||||
| Nazwa przedmiotu | Modelowanie statystyczne | Kod przedmiotu | DS1S4MOS | ||||||||||||||||||||||||
| Rodzaj zajęć | obowiązkowy | ||||||||||||||||||||||||||
| Formy zajęć i liczba godzin | W | Ć | L | P | Ps | T | S | Semestr | 4 | ||||||||||||||||||
| 15 | 30 | Punkty ECTS | 4 | ||||||||||||||||||||||||
| Program obowiązuje od | 2025/2026 | ||||||||||||||||||||||||||
| Przedmioty wprowadzające | Rachunek prawdopodobieństwa (DS1S2RPR), Statystyka matematyczna (DS1S3SMA), | ||||||||||||||||||||||||||
| Cele przedmiotu |
Przekazanie podstawowej wiedzy z zakresu modelowania statystycznego dla jednej i wielu zmiennych Rozwój praktycznych umiejętności opisu i analizy zjawisk, interpretacji wyników, co jest kluczowe w analizie danych w kontekście modelowania zjawisk w rzeczywistych problemach. Odniesienia do frameworka edukacyjnego mikrokompetencji SFIA: - Data Science (DATS) - poziom 3: ocena i porównywanie modeli, interpretacja wyników - Data Analytics (DAAN) - poziom 2: analiza i wizualizacja wyników |
||||||||||||||||||||||||||
| Ramowe treści programowe | Podstawy modelowania statystycznego. Przygotowywanie danych do analizy, przetwarzanie wstępne. Ogólne modele liniowe. Uogólnione modele liniowe. Modele nieliniowe. Niestandardowe modele regresji. Modele dla powtarzanych pomiarów. Konstruowanie, stosowanie i walidacja modeli. | ||||||||||||||||||||||||||
| Inne informacje o przedmiocie | przedmiot ma związek z prowadzoną na Uczelni działalnością naukową | ||||||||||||||||||||||||||
| Wyliczenie: | Nakład pracy studenta związany z: | Godzin ogółem |
W tym kontaktowych |
W tym praktycznych |
|||||||||||||||||||||||
| udziałem w wykładach | 15 | 15 | |||||||||||||||||||||||||
| udziałem w innych formach zajęć | 30 | 30 | 30 | ||||||||||||||||||||||||
| indywidualnym wsparciem merytorycznym procesu uczenia się, udziałem w zaliczeniach organizowanych poza planem zajęć | 4 | 4 | |||||||||||||||||||||||||
| przygotowaniem do zaliczenia wykładu | 5 | ||||||||||||||||||||||||||
| przygotowaniem do zaliczenia pracowni specjalistycznej | 46 | 46 | |||||||||||||||||||||||||
| Razem godzin: | 100 | 49 | 76 | ||||||||||||||||||||||||
| Razem punktów ECTS: | 4 | 2.0 | 3.0 | ||||||||||||||||||||||||
| Zakładane kierunkowe efekty uczenia się | Wiedza | Umiejętności | Kompetencje społeczne |
||||||||||||||||||||||||
| DS1_W01 | DS1_U01 | ||||||||||||||||||||||||||
| DS1_U03 | |||||||||||||||||||||||||||
| DS1_U19 | |||||||||||||||||||||||||||
| Cele i treści ramowe sformułował(a) | dr inż. Magdalena Topczewska | Data: | 29/05/2025 | ||||||||||||||||||||||||
| Realizacja w roku akademickim | 2026/2027 | ||||||||||||||||||||||||||
| Treści programowe | |||||||||||||||||||||||||||
| Wykład | |||||||||||||||||||||||||||
| 1. | Wprowadzenie do modelowania statystycznego. Przykłady rzeczywistych zbiorów danych oraz przeprowadzanych analiz. Problemy występujące w danych | ||||||||||||||||||||||||||
| 2. | Statystyka opisowa. Teoria estymacji | ||||||||||||||||||||||||||
| 3. | Testowanie hipotez | ||||||||||||||||||||||||||
| 4. | Ogólne modele liniowe: analiza wariancji jedno i wieloczynnikowa | ||||||||||||||||||||||||||
| 5. | Ogólne modele liniowe: analiza regresji prostej i wieloraka | ||||||||||||||||||||||||||
| 6. | Ogólne modele liniowe: analiza kowariancji | ||||||||||||||||||||||||||
| 7. | Regresja logistyczna | ||||||||||||||||||||||||||
| 8. | Regresja Poissona | ||||||||||||||||||||||||||
| 9. | Uogólnione modele liniowe | ||||||||||||||||||||||||||
| 10. | Regresja nieliniowa: linearyzowalna | ||||||||||||||||||||||||||
| 11. | Regresja nieliniowa | ||||||||||||||||||||||||||
| 12. | Regresja segmentowa | ||||||||||||||||||||||||||
| 13. | Modele dla powtarzanych pomiarów | ||||||||||||||||||||||||||
| 14. | Modele dla powtarzanych pomiarów | ||||||||||||||||||||||||||
| 15. | Modele regresji nieliniowej | ||||||||||||||||||||||||||
| Pracownia specjalistyczna | |||||||||||||||||||||||||||
| 1. | Zapoznanie studentów z zasadami zaliczenia. Ekspoloracyjna analiza danych | ||||||||||||||||||||||||||
| 2. | Statystyka opisowa. Teoria estymacji | ||||||||||||||||||||||||||
| 3. | Testowanie hipotez | ||||||||||||||||||||||||||
| 4. | Ogólne modele liniowe: analiza wariancji jedno i wieloczynnikowa | ||||||||||||||||||||||||||
| 5. | Ogólne modele liniowe: analiza regresji prostej i wieloraka | ||||||||||||||||||||||||||
| 6. | Ogólne modele liniowe: analiza kowariancji | ||||||||||||||||||||||||||
| 7. | Regresja logistyczna | ||||||||||||||||||||||||||
| 8. | Regresja Poissona | ||||||||||||||||||||||||||
| 9. | Uogólnione modele liniowe | ||||||||||||||||||||||||||
| 10. | Regresja nieliniowa: linearyzowalna | ||||||||||||||||||||||||||
| 11. | Regresja nieliniowa | ||||||||||||||||||||||||||
| 12. | Regresja segmentowa | ||||||||||||||||||||||||||
| 13. | Modele dla powtarzanych pomiarów | ||||||||||||||||||||||||||
| 14. | Modele dla powtarzanych pomiarów | ||||||||||||||||||||||||||
| 15. | Dokończenie niezrealizowanych zadań. Zaliczenie pracowni specjalistycznej | ||||||||||||||||||||||||||
| Metody dydaktyczne (realizacja stacjonarna) |
|||||||||||||||||||||||||||
| W | wykład problemowy; wykład konwersatoryjny; wykład z prezentacją multimedialną | ||||||||||||||||||||||||||
| Ps | zadania projektowe w grupach; dyskusja rozwiązań | ||||||||||||||||||||||||||
| Metody dydaktyczne (realizacja zdalna) |
|||||||||||||||||||||||||||
| W | wykład problemowy; wykład konwersatoryjny; wykład z prezentacją multimedialną | ||||||||||||||||||||||||||
| - | |||||||||||||||||||||||||||
| Forma zaliczenia | |||||||||||||||||||||||||||
| W | zaliczenie pisemne z pytaniami otwartymi | ||||||||||||||||||||||||||
| Ps | opracowanie zadań projektowych realizowanych w grupach | ||||||||||||||||||||||||||
| Warunki zaliczenia | |||||||||||||||||||||||||||
| W | Uzyskanie min. 30% z każdego E1-E2, a po spełnieniu tego warunku ostateczna ocena wynika z sumy uzyskanych punktów. Kryteria oceny: [ 0 – 50]% punktów – 2.0 (50 – 60]% punktów – 3.0 (60 – 70]% punktów – 3.5 (70 – 80]% punktów – 4.0 (80 – 90]% punktów – 4.5 (90 – 100]% punktów – 5.0 |
||||||||||||||||||||||||||
| Ps | Uzyskanie min. 30% z każdego E3-E4, a po spełnieniu tego warunku ostateczna ocena wynika z sumy uzyskanych punktów. Kryteria oceny: [ 0 – 50]% punktów – 2.0 (50 – 60]% punktów – 3.0 (60 – 70]% punktów – 3.5 (70 – 80]% punktów – 4.0 (80 – 90]% punktów – 4.5 (90 – 100]% punktów – 5.0 |
||||||||||||||||||||||||||
| Symbol efektu | Zakładane efekty uczenia się | Odniesienie do efektów uczenia się zdefiniowanych dla kierunku studiów | |||||||||||||||||||||||||
| Wiedza | Umiejętności | Kompetencje społeczne |
|||||||||||||||||||||||||
| Wiedza: student zna i rozumie | |||||||||||||||||||||||||||
| E1 | podstawowe koncepcje i rodzaje modeli statystycznych | ||||||||||||||||||||||||||
| E2 | metody oceny modeli statystycznych | ||||||||||||||||||||||||||
| Umiejętności: student potrafi | |||||||||||||||||||||||||||
| E3 | pojęcia korelacji, regresji liniowej i wielorakiej, regresji nieliniowej | ||||||||||||||||||||||||||
| E4 | zbudować i ocenić modele statystyczne | ||||||||||||||||||||||||||
| Symbol efektu | Sposób weryfikacji efektu uczenia się | Forma zajęć na której zachodzi weryfikacja | |||||||||||||||||||||||||
| E1 | zaliczenie pisemne | W | |||||||||||||||||||||||||
| E2 | zaliczenie pisemne | W | |||||||||||||||||||||||||
| E3 | wykonanie sprawozdań i projektu | Ps | |||||||||||||||||||||||||
| E4 | wykonanie sprawozdań i projektu | Ps | |||||||||||||||||||||||||
| Literatura podstawowa | |||||||||||||||||||||||||||
| 1. | M.H. Kutner, C.J. Nachtsheim, J. Neter, W. Li, Applied linear statistical models, 5th ed. McGraw-Hill, 2005 | ||||||||||||||||||||||||||
| 2. | P. Biecek, Na przełaj przez Data Mining z pakietem R (http://www.biecek.pl/NaPrzelajPrzezDataMining/NaPrzelajPrzezDataMining.pdf) | ||||||||||||||||||||||||||
| 3. | A.J. Dobson, A. Barnett, An Introduction to Generalized Linear Models. Chapman & Hall/CRC Texts in Statistical Science, 2008 | ||||||||||||||||||||||||||
| 4. | G. M. Fitzmaurice, Applied Longitudinal Analysis, John Wiley & Sons Inc., 2011 | ||||||||||||||||||||||||||
| Literatura uzupełniająca | |||||||||||||||||||||||||||
| 1. | W. Krysicki, J. Bartos, i inni, Rachunek prawdopodobieństwa i statystyka matematyczna w zadaniach, PWN, 1999 | ||||||||||||||||||||||||||
| 2. | J. Jiming, T. Nguyen, Linear and Generalized Linear Mixed Models and Their Applications, Springer Natur, 2011 | ||||||||||||||||||||||||||
| Koordynator przedmiotu: | dr inż. Magdalena Topczewska | Data: | 30/05/2025 | ||||||||||||||||||||||||