Wierk - Wydział Informatyki, Elektroniczne Ramy Kwalifikacji

Wydział Informatyki
Kierunek studiów	Informatyka							Poziom i forma studiów	drugiego stopnia stacjonarne
Specjalność / Ścieżka dyplomowania	Inżynieria Oprogramowania							Profil kształcenia	ogólnoakademicki
Nazwa przedmiotu	Eksploracja danych							Kod przedmiotu	INF2EDA
								Rodzaj przedmiotu	obowiązkowy
Forma zajęć i liczba godzin	W	Ć	L	P	Ps	T	S	Semestr	2
	30				30			Punkty ECTS	4
Przedmioty wprowadzające
Cele przedmiotu	Przedmiot powinien dać słuchaczowi umiejętność samodzielnego doboru i stosowania metod i algorytmów do zadań eksploracji danych często spotykanych w praktyce. Szczególna uwaga zostanie zwrócona na aspekty obliczeniowe związane z realizacją zadań eksploracji dużych zbiorów danych. Analizowane będą też przykłady zastosowań wybranych metod i algorytmów wykrywania prawidłowości (wzorców) w dużych zbiorach danych.
Treści programowe	Wykład: Liniowa separowalność wielowymiarowych zbiorów danych, lineryzacja zbiorów danych przez rangowe warstwy klasyfikatorów binarnych, separowalna agregacja zbiorów danych, konstrukcje separowalnych struktur hierarchicznych, rozkłady prawdopodobieństwa, bayesowskie reguły decyzyjne, ryzyko, liniowe i nieliniowe reguły decyzyjne, ocena klasyfikatorów, modele prognostyczne, liniowa regresja wielowymiarowa, drzewa decyzyjne i regresyjne, sieci neuropodobne, analiza skupień, skalowanie wielowymiarowe Pracownia specjalistyczna: Lineryzacja zbiorów danych przez rangowe warstwy klasyfikatorów binarnych, separowalna agregacja zbiorów danych, konstrukcje separowalnych struktur hierarchicznych.
Metody dydaktyczne	wykład problemowy, programowanie z użyciem komputera,
Forma zaliczenia	Wykład - zaliczenie ustne. Pracownia specjalistyczna - ocena sprawozdań, sprawdziany przygotowania do ćwiczeń, wykonanie projektu, obrona projektu.
Symbol efektu uczenia się	Zakładane efekty uczenia się								Odniesienie do kierunkowych efektów uczenia się
EU1	zna podstawowe metody, techniki i narzędzia stosowane przy eksploracji danych								INF2_W01 INF2_W05 INF2_W07
EU2	potrafi wykorzystać poznane metody i modele matematyczne do analizy i oceny algorytmów oraz do analizy danych								INF2_U06
EU3	potrafi konstruować modele w obszarze eksploracji danych i umiejętnie posługiwać się nimi								INF2_U04
EU4	potrafi praktycznie stosować podstawowe metody, techniki i narzędzia do eksploracji danych								INF2_U01 INF2_U08 INF2_U09
Symbol efektu uczenia się	Sposób weryfikacji efektu uczenia się								Forma zajęć na której zachodzi weryfikacja
EU1	ustne zaliczenie wykładu								W
EU2	ocena projektu, obrona projektu, ocena sprawozdań z ćwiczeń, sprawdziany przygotowania do ćwiczeń								Ps
EU3	ocena projektu, obrona projektu, ocena sprawozdań z ćwiczeń, sprawdziany przygotowania do ćwiczeń								Ps
EU4	ocena projektu, obrona projektu								Ps
Bilans nakładu pracy studenta (w godzinach)									Liczba godz.
Wyliczenie
	1 - Udział w wykładach - 15x2h								30
	2 - Udział w pracowni specjalistycznej - 15x2h								30
	3 - Przygotowanie do pracowni specjalistycznej								10
	4 - Opracowanie sprawozdań z pracowni specjalistycznej i/lub wykonanie zadań domowych (prac domowych)								10
	5 - Udział w konsultacjach								5
	6 - Realizacja zadań projektowych (w tym przygotowanie prezentacji)								10
	7 - przygotowanie do kolokwiów i zaliczeń								5
RAZEM:									100
Wskaźniki ilościowe									GODZINY	ECTS
Nakład pracy studenta związany z zajęciami wymagającymi bezpośredniego udziału nauczyciela									65 (5)+(1)+(2)	2.6
Nakład pracy studenta związany z zajęciami o charakterze praktycznym									60 (4)+(3)+(2)+(6)	2.4
Literatura podstawowa	1. A. M. Kwiatkowska, Systemy wspomagania decyzji, PWN, Warszawa, 2007. 2. P. Kulczycki, O. Hryniewicz, J. Kacprzyk, Techniki informacyjne w badaniach systemowych, WNT, Warszawa, 2007. 3. J. Koronacki, J. Ćwik, Statystyczne systemy uczące się, WNT, Warszawa, 2005.
Literatura uzupełniająca	1. L. Bobrowski, Eksploracja danych oparta na wypukłych i odcinkowo-liniowych funkcjach kryterialnych, Wydawnictwa Politechniki Białostockiej, Białystok, 2005. 2. R. O. Duda, P. E. Hart, D. G. Stork, Pattern classification, John Wiley & Sons, 2012. 3. R. A. Johnson, D. W. Wichern, Applied Multivariate Statistical Analysis, Prentiice-Hall, Upper Saddle River, 2002. 4. B. Ratner, Statistical and Machine-Learning Data Mining: Techniques for Better Predictive Modeling and Analysis of Big Data, CRC Press, 2017. 5. E. Alpaydin, Introduction to machine learning, MIT press, 2020.
Jednostka realizująca	Katedra Oprogramowania								Data opracowania programu
Program opracował(a)									2020.05.22