| Wydział Informatyki | ||||||||||
| Kierunek studiów | Matematyka Stosowana | Poziom i forma studiów | pierwszego stopnia inżynierskie stacjonarne | |||||||
| Specjalność / Ścieżka dyplomowania | Przedmiot wspólny | Profil kształcenia | praktyczny | |||||||
| Nazwa przedmiotu | Modelowanie statystyczne | Kod przedmiotu | MAT1MST | |||||||
| Rodzaj przedmiotu | obowiązkowy | |||||||||
| Forma zajęć i liczba godzin | W | Ć | L | P | Ps | T | S | Semestr | 6 | |
| 30 | 30 | Punkty ECTS | 5 | |||||||
| Przedmioty wprowadzające | Algebra (MAT1ALG), Analiza matematyczna 1 (MAT1AM1), Statystyka matematyczna (MAT1SMA), | |||||||||
| Cele przedmiotu |
Zapoznanie z metodami budowania modeli w statystyce: liniowymi (regresja prosta i wieloraka, jednoczynnikowa oraz wieloczynnikowa analiza wariancji, analiza kowariancji) oraz nieliniowymi (regresja logistyczna, regresja Poissona), niestandardowymi (regresja kwantylowa, cząstkowa, splinami). Budowanie, zastosowanie oraz walidacja modeli. Zapoznanie się i zastosowanie drzew regresyjnych (modeli klasycznych, metod bagging i boosting, drzew losowych). |
|||||||||
| Treści programowe |
Wykład: Pracownia specjalistyczna: Raportowanie wyników statystycznych. Metody wizualizacji i eksploracji danych. Regresja prosta oraz wieloraka. Analiza wariancji jednoczynnikowa i dwuczynnikowa. Analiza kowariancji. Modele nieliniowe. Regresja logistyczna, Poissona. Modele niestandardowe (regresja kwantylowa, cząstkowa, splinami). Konstruowanie, stosowanie i walidacja modeli. Poznanie drzew regresyjnych (modele klasyczne, metody bagging i boosting do optymalizacji drzew, lasy losowe). |
|||||||||
| Metody dydaktyczne |
wykład problemowy, programowanie z użyciem komputera, wykład informacyjny, metoda przypadków, |
|||||||||
| Forma zaliczenia |
Wykład - egzamin ustny. |
|||||||||
| Symbol efektu uczenia się | Zakładane efekty uczenia się | Odniesienie do kierunkowych efektów uczenia się | ||||||||
| EU1 | posiada wiedzę na temat różnych modeli statystycznych |
K_W07 K_W12 K_W13 K_W15 |
||||||||
| EU2 | potrafi stworzyć odpowiedni model oraz właściwie przetworzyć do niego dane |
K_U08 K_U09 K_U12 K_U15 |
||||||||
| EU3 | potrafi zastosować, przetestować, wybrać odpowiednią metodę do uzyskania rozwiązania |
K_U09 K_U12 K_U15 |
||||||||
| EU4 | potrafi przygotować raport zawierający omówienie wyników realizacji zadania rozwiązując rzeczywisty problem |
K_U09 K_U20 K_K03 |
||||||||
| Symbol efektu uczenia się | Sposób weryfikacji efektu uczenia się | Forma zajęć na której zachodzi weryfikacja | ||||||||
| EU1 | egzamin | W | ||||||||
| EU2 | raporty z pracowni specjalistycznej, obserwacja pracy na zajęciach | Ps | ||||||||
| EU3 | raporty z pracowni specjalistycznej | Ps | ||||||||
| EU4 | raporty z pracowni specjalistycznej | Ps | ||||||||
| Bilans nakładu pracy studenta (w godzinach) | Liczba godz. | |||||||||
| Wyliczenie | ||||||||||
| 1 - Udział w wykładach | 30 | |||||||||
| 2 - Udział w pracowni specjalistycznej | 30 | |||||||||
| 3 - Przygotowanie do pracowni specjalistycznej | 10 | |||||||||
| 4 - Realizacja zadań domowych | 38 | |||||||||
| 5 - Udział w konsultacjach | 5 | |||||||||
| 6 - Przygotowanie do egzaminu | 10 | |||||||||
| 7 - Obecność na egzaminie | 2 | |||||||||
| RAZEM: | 125 | |||||||||
| Wskaźniki ilościowe | GODZINY | ECTS | ||||||||
| Nakład pracy studenta związany z zajęciami wymagającymi bezpośredniego udziału nauczyciela | 67 (5)+(7)+(1)+(2) |
2.7 | ||||||||
| Nakład pracy studenta związany z zajęciami o charakterze praktycznym | 78 (4)+(3)+(2) |
3.1 | ||||||||
| Literatura podstawowa |
1. M.H. Kutner, C.J. Nachtsheim, J. Neter, W. Li, Applied linear statistical models, 5th ed. McGraw-Hill, 2005. |
|||||||||
| Literatura uzupełniająca |
Artykuły naukowe dostarczone w trakcie zajęć. |
|||||||||
| Jednostka realizująca | Katedra Oprogramowania | Data opracowania programu | ||||||||
| Program opracował(a) | dr inż. Magdalena Topczewska | 2021.04.20 | ||||||||