Eksploracja danych 1000-I2ED
Laboratorium (LAB) Semestr zimowy 2022/23

1. Ch. D. Larose, D. T. Larose: ,,Data Science Using Python and R''. Wiley, 2019.

2. Aktualna dokumentacja narzędzi informatycznych wykorzystywanych na laboratoriach.

Wiedza:

W3. Orientuje się w dostępnym na rynku oprogramowaniu do eksploracji danych, zna w stopniu podstawowym przynajmniej jeden taki program (K_W10)

Umiejętności:

U1. Potrafi znaleźć potrzebne dane w zbiorach danych ogólnie dostępnych, umie pobrać dane i poddać je analizie (K_U02, K_U08).

U2. Umie zaproponować odpowiednie algorytmy eksploracji danych do konkretnego zagadnienia, w tym klasyfikacji, grupowania, szacowania i budowania reguł, oraz wyselekcjonować z ich użyciem najlepszy model (K_U02, K_U18).

U3. Umie posługiwać się w stopniu podstawowym przynajmniej jednym programem do eksploracji danych (K_U23).

U4. Potrafi przygotować raport z wynikami swoich analiz oraz zastosować zbudowany model do klasyfikacji, szacowania lub przewidywania w oparciu o nowy zbiór danych (K_U02, K_U03, K_U04).

Kompetencje społeczne:

K1. Potrafi sformułować problem eksploracji danych w sposób zrozumiały zarówno dla osób, z którymi współpracuje w tym obszarze, jak i ekspertów analityków (K_K02, K_K04).

K2. Potrafi czerpać wiedzę z danych i na tej podstawie formułować propozycje rozwiązania sytuacji problemowych (K_K01, K_K04).

Sprawdziany pisemne (testowe) – kryterium zaliczenia ustala prowadzący na początkowych zajęciach – W2, K2.

Zadania o charakterze analitycznym – kryterium zaliczenia ustala prowadzący na początkowych zajęciach - W3, U1, U2, U3, U4, K1.

Projekt końcowy – kryterium zaliczenia ustala prowadzący na początkowych zajęciach – W3, U2, U3, U4, K1.

1. Podstawy pracy w języku Python i środowisku R.

2. Wstępna obróbka danych.

3. Eksploracyjna analiza danych.

4. Ocena jakości modeli.

5. Klasyfikacja. Algorytm k najbliższych sąsiadów.

6 i 7. Klasyfikacja metodą drzew decyzyjnych i lasów losowych.

8. Sieci neuronowe.

9 i 10. Szacowanie. Analiza regresji.

11. Analiza skupień. Metoda k średnich.

12. Grupowanie hierarchiczne.

13. Dwustopniowa analiza skupień. Sieci Kohonena.

14. Analiza koszykowa, algorytm A priori.

15. Metody redukcji wymiaru. Analiza składowych głównych.

Pokaz, laboratoryjna, projektu, studium przypadku, metody dydaktyczne odnoszące się do autentycznych lub fikcyjnych sytuacji, metody rozwijające refleksyjne myślenie.