Wierk - Wydział Informatyki, Elektroniczne Ramy Kwalifikacji

Wydział Informatyki
Kierunek studiów	Informatyka							Poziom i forma studiów	drugiego stopnia niestacjonarne
Specjalność / Ścieżka dyplomowania	Systemy Inteligentne							Profil kształcenia	ogólnoakademicki
Nazwa przedmiotu	Eksploracja danych wielorelacyjnych							Kod przedmiotu	INZ2EDW
								Rodzaj przedmiotu	obieralny
Forma zajęć i liczba godzin	W	Ć	L	P	Ps	T	S	Semestr	2/3
	10				20			Punkty ECTS	3
Przedmioty wprowadzające
Cele przedmiotu	Poznanie podstawowych zadań i metod eksploracji danych wielorelacyjnych. Zapoznanie się z wybranymi algorytmami wydobywającymi wiedzę z danych wielorelacyjnych.
Treści programowe	Wykład: 1. Wprowadzenie do eksploracji danych wielorelacyjnych (EDW) 2-3. Główne zadania EDW: klasyfikacja 4-5. Główne zadania EDW: deskrypcja 6-7. Główne zadania EDW: grupowanie 8. Rozszerzenie algorytmów eksploracji danych do postaci relacyjnej 9. Podejście strukturalne i zdaniowe. Propozycjonalizacja 10. Podsumowanie Pracownia specjalistyczna: 1. Wprowadzenie do klasyfikacji 2. Relacyjne reguły klasyfikacyjne 3. Generowanie relacyjnych reguł klasyfikacyjnych – Wprowadzenie do systemu Aleph 4. Generowanie relacyjnych reguł klasyfikacyjnych - System Aleph 5. Wprowadzenie do odkrywania asocjacji 6. Odkrywanie relacyjnych asocjacji 7. Odkrywanie relacyjnych asocjacji – Wprowadzenie do systemu WARMR 8. Odkrywanie relacyjnych asocjacji – System WARMR 9. Realizacja sprawozdań 10. Zaliczenie pracowni
Metody dydaktyczne	wykład problemowy, programowanie z użyciem komputera, metoda projektów,
Forma zaliczenia	Wykład - zaliczenie w formie pisemnej. Pracownia specjalistyczna - sprawozdania z projektów.
Symbol efektu uczenia się	Zakładane efekty uczenia się								Odniesienie do kierunkowych efektów uczenia się
EU1	posiada ogólną wiedzę na temat zagadnienia eksploracji danych wielorelacyjnych								INF2_W03 INF2_W06 INF2_W07
EU2	zna podstawowe metody eksploracji danych wielorelacyjnych								INF2_W03 INF2_W06 INF2_W07
EU3	potrafi zastosować istniejące narzędzia do rozwiązywania problemów związanych z eksploracją danych wielorelacyjnych								INF2_U04 INF2_U09
EU4	potrafi zaimplementować proste narzędzie przeznaczone do eksploracji danych wielorelacyjnych								INF2_U04 INF2_U08 INF2_U09
EU5	potrafi pracować w zespole								INF2_U11 INF2_U13
Symbol efektu uczenia się	Sposób weryfikacji efektu uczenia się								Forma zajęć na której zachodzi weryfikacja
EU1	zaliczenie pisemne								W
EU2	zaliczenie pisemne								W
EU3	ocena projektów i sprawozdań								Ps
EU4	ocena projektów i sprawozdań								Ps
EU5	ocena projektów i sprawozdań								Ps
Bilans nakładu pracy studenta (w godzinach)									Liczba godz.
Wyliczenie
	1 - Udział w wykładach - 10x1h								10
	2 - Udział w pracowni specjalistycznej - 10x2h								20
	3 - Opracowanie sprawozdań z pracowni specjalistycznej oraz wykonanie zadań domowych (prac domowych)								35
	4 - Udział w konsultacjach								2
	5 - Przygotowanie do zaliczenia wykładu								8
RAZEM:									75
Wskaźniki ilościowe									GODZINY	ECTS
Nakład pracy studenta związany z zajęciami wymagającymi bezpośredniego udziału nauczyciela									32 (2)+(4)+(1)	1.3
Nakład pracy studenta związany z zajęciami o charakterze praktycznym									55 (2)+(3)	2.2
Literatura podstawowa	1. S. Dzeroski, N. Lavrac [red.], Relational Data Mining, Springer, 2001. 2. L. De Raedt, Logical and Relational Learning, Springer-Verlag, 2008. 3. M. Szeliga, Data science i uczenie maszynowe, PWN, 2017.
Literatura uzupełniająca	1. D. Hand, H. Mannila, P Smyth, Eksploracja danych, Wydawnictwa Naukowo-Techniczne, 2005. 2. N. Lavrac, S. Dzeroski, Inductive Logic Programming: Techniques and Applications, Ellis Horwood, 1994. 3. P. Cichosz, Systemy uczące się, WNT, 2000.
Jednostka realizująca	Katedra Systemów Informacyjnych i Sieci Komputerowych								Data opracowania programu
Program opracował(a)	dr hab. Piotr Hońko								2020.05.22