Eksploracja danych 1000-MS1-EksDan
Wykład (WYK) Semestr zimowy 2023/24

1. Daniel T. Larose: ,,Odkrywanie wiedzy z danych''. Wydawnictwo Naukowe PWN, Warszawa, 2006.

2. Daniel T. Larose: ,,Metody i modele eksploracji danych''. Wydawnictwo Naukowe PWN, Warszawa, 2012.

3. Tadeusz Morzy: ,,Eksploracja danych. Metody i algorytmy’’. Wydawnictwo Naukowe PWN, Warszawa, 2013.

4. Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani: ,,An Introduction to Statistical Learning with Applications in R''. IV Edition. Springer, 2014 (dostępne na stronie http://www-bcf.usc.edu/~gareth/ISL/ISLR%20Fourth%20Printing.pdf).

5. Trevor Hastie, Robert Tibshirani, Jerome Friedman: ,,The Elements of Statistical Learning''. Springer, 2009 (dostępne na stronie http://statweb.stanford.edu/~tibs/ElemStatLearn/).

6. Paweł Cichosz: ,,Data Mining Algorithms Explained Using R’’. Wiley, 2015.

Wiedza:

W01 - Zna najważniejsze zagadnienia eksploracji danych dotyczące klasyfikacji, grupowania i szacowania (K_W01, K_W03).

W02 - Dla każdego z podstawowych problemów eksploracji danych zna przynajmniej jeden algorytm stosowany do jego rozwiązania (K_W03, K_W06).

Umiejętności:

U02 - 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_U19).

Kompetencje społeczne:

K01 - Potrafi sformułować problem eksploracji danych w sposób zrozumiały zarówno dla osób, z którymi współpracuje w tym obszarze, jak i ekspertów analityków (K_K03).

Egzamin planowany jest w formie stacjonarnej - ustny. Jeżeli sytuacja epidemiologiczna ulegnie pogorszeniu, możliwa jest zmiana formy egzaminu na egzamin zdalny w postaci testu na Moodle.

1. Wprowadzenie do eksploracji danych. Prezentacja dostępnych programów oraz zbiorów danych.Przegląd zagadnień, w których wykorzystywana jest eksploracja danych i jej konkretne techniki.

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. Maszyny wektorów nośnych.

10. i 11. Szacowanie. Analiza regresji.

12. Analiza skupień. Metoda k średnich.

13. Grupowanie hierarchiczne i dwustopniowa analiza skupień.

14. Analiza koszykowa, algorytm A priori.

15. Metody redukcji wymiaru. Analiza składowych głównych.

Wykład informacyjny (konwencjonalny).