Uniwersytet Mikołaja Kopernika w Toruniu - Centralny punkt logowania
Strona główna

Eksploracja danych 1000-MS1-EksDan
Laboratorium (LAB) Semestr zimowy 2023/24

Informacje o zajęciach (wspólne dla wszystkich grup)

Strona zajęć: https://plas.mat.umk.pl/moodle/course/view.php?id=1735
Liczba godzin: 30
Limit miejsc: 16
Zaliczenie: Zaliczenie na ocenę
Literatura:

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

Efekty uczenia się:

Wiedza:

W03 - Orientuje się w dostępnym na rynku oprogramowaniu do eksploracji danych, zna w stopniu podstawowym przynajmniej jeden taki program (K_W04, K_W07).

Umiejętności:

U01 - Potrafi znaleźć potrzebne dane w zbiorach danych ogólnie dostępnych, umie pobrać dane i poddać je analizie (K_U21).

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).

U03 - Umie posługiwać się w stopniu podstawowym przynajmniej jednym programem do eksploracji danych (K_U03).

U04 - Potrafi przygotować raport z wynikami swoich analiz oraz zastosować zbudowany model do klasyfikacji, szacowania lub przewidywania w oparciu o nowy zbiór danych (K_U05).

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).

K02 - Potrafi czerpać wiedzę z danych i na tej podstawie formułować propozycje rozwiązania sytuacji problemowych (K_K04).

Metody i kryteria oceniania:

Zaliczenie zajęć student uzyskuje na podstawie obecności na zajęciach, testów, zadań oraz projektu końcowego po uzyskaniu co najmniej 60% punktów. Szczegółowe informacje są zamieszczone na Moodle.

Zakres tematów:

1. Omówienie dostępnego oprogramowania oraz jego instalacji.

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.

Powyższe tematy będą realizowane poprzez wykonywanie przykładowych analiz w środowiskach PS IMAGO PRO, KNIME, R i Python.

Metody dydaktyczne:

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

Grupy zajęciowe

zobacz na planie zajęć

Grupa Termin(y) Prowadzący Miejsca Liczba osób w grupie / limit miejsc Akcje
1 każdy piątek, 8:00 - 10:00, sala L11
Krzysztof Jasiński 6/16 szczegóły
2 każdy czwartek, 14:00 - 16:00, sala L11
Krzysztof Jasiński 16/16 szczegóły
Wszystkie zajęcia odbywają się w budynku:
Wydział Matematyki i Informatyki
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Mikołaja Kopernika w Toruniu.
ul. Jurija Gagarina 11, 87-100 Toruń tel: +48 56 611-40-10 https://usosweb.umk.pl/ kontakt deklaracja dostępności USOSweb 7.0.3.0-1 (2024-04-02)