Wierk - Wydział Informatyki, Elektroniczne Ramy Kwalifikacji

Wydział Informatyki
Kierunek studiów	Matematyka Stosowana							Poziom i forma studiów	drugiego stopnia stacjonarne
Specjalność / Ścieżka dyplomowania	Analityka Danych i Modelowanie Matematyczne							Profil kształcenia	praktyczny
Nazwa przedmiotu	Sieci bayesowskie							Kod przedmiotu	MAT2SIB
								Rodzaj przedmiotu	obieralny
Forma zajęć i liczba godzin	W	Ć	L	P	Ps	T	S	Semestr	2/3
	30				30			Punkty ECTS	3
Przedmioty wprowadzające
Cele przedmiotu	Celem przedmiotu jest zapoznanie studenta z modelami sieci bayesowskich oraz ich zastosowaniami. Nabycie umiejętności weryfikacji jakości modeli sieci bayesowskich.
Treści programowe	Wykład oraz pracownia specjalistyczna: 1. Wprowadzenie do teorii prawdopodobieństwa. 2. Część jakościowa i ilościowa modelu sieci bayesowskiej. 3. Algorytmy wnioskowania w sieciach bayesowskich. 4. Uczenie modeli sieci bayesowskich z danych. 5. Dynamiczne modele sieci bayesowskich. 6. Modele analizy decyzji: diagramy wpływu. 7. Metody weryfikacji jakości modeli sieci bayesowskich. 8. Zastosowania modeli sieci bayesowskich w diagnozie i prognozie.
Metody dydaktyczne	programowanie z użyciem komputera, wykład informacyjny,
Forma zaliczenia	Wykład: sprawdzian pisemny. Pracownia specjalistyczna: wejściówki, sprawozdania i zadania wykonywane w czasie zajęć.
Symbol efektu uczenia się	Zakładane efekty uczenia się								Odniesienie do kierunkowych efektów uczenia się
EU1	zna podstawy teoretyczne modeli sieci bayesowskich								K_W03 K_W04 K_W06
EU2	zna algorytmy uczenia modeli sieci bayesowskich								K_W01 K_W06
EU3	potrafi stworzyć model sieci bayesowskich w oparciu o pozyskaną wiedzę oraz dane								K_U01 K_U07 K_U08 K_U09
EU4	potrafi ocenić jakość modelu sieci bayesowskiej i zinterpretować wyniki, które generuje								K_W03 K_W08
Symbol efektu uczenia się	Sposób weryfikacji efektu uczenia się								Forma zajęć na której zachodzi weryfikacja
EU1	sprawdzian pisemny								W, Ps
EU2	sprawdzian pisemny								W
EU3	wejściówki, sprawozdania i zadania								Ps
EU4	wejściówki, sprawozdania i zadania								Ps
Bilans nakładu pracy studenta (w godzinach)									Liczba godz.
Wyliczenie
	1 - Udział w wykładach								30
	2 - Udział w pracowniach specjalistycznych								30
	3 - Udział w konsultacjach								2
	4 - Przygotowanie do zajęć pracowni specjalistycznej								2
	5 - Przygotowanie prac domowych z pracowni specjalistycznej								7
	6 - Przygotowanie do zaliczenia								4
RAZEM:									75
Wskaźniki ilościowe									GODZINY	ECTS
Nakład pracy studenta związany z zajęciami wymagającymi bezpośredniego udziału nauczyciela									62 (2)+(1)+(3)	2.5
Nakład pracy studenta związany z zajęciami o charakterze praktycznym									39 (2)+(4)+(5)	1.6
Literatura podstawowa	1. F. Jensen, Bayesian networks and decision graphs, Springer-Verlag, 2002. 2. J. Pearl, Probabilistic reasoning in intelligent systems: networks of plausible inference, Morgan Kaufmann Publ., 1988. 3. J. Pearl, Causality: models, reasoning, and inference, Cambridge University Press, 2001.
Literatura uzupełniająca	1. R.E. Neapolitan, Learning Bayesian networks, Pearson Prentice Hall, 2004. 2. A. Darwiche, Modeling and reasoning with Bayesian networks, Cambridge University Press, 2009.
Jednostka realizująca	Katedra Oprogramowania								Data opracowania programu
Program opracował(a)	dr hab. inż. Agnieszka Drużdżel,dr inż. Marcin Koźniewski								2020.04.06