Text mining
Informacje ogólne
| Kod przedmiotu: | 1000-AD-TextMin | Kod Erasmus / ISCED: |
(brak danych)
/
(0613) Tworzenie i analiza oprogramowania i aplikacji
 |
| Nazwa przedmiotu: | Text mining | ||
| Jednostka: | Wydział Matematyki i Informatyki | ||
| Grupy: | |||
| Punkty ECTS i inne: |
6.00 |
||
| Język prowadzenia: | polski | ||
| Wymagania wstępne: | Znajomość podstaw algebry liniowej, rachunku prawdopodobieństwa oraz statystyki opisowej. Znajomość przynajmniej jednego języka programowania (zalecany Python). |
||
| Rodzaj przedmiotu: | przedmiot obowiązkowy |
||
| Całkowity nakład pracy studenta: | wykład - 30 godzin laboratorium – 30 godzin konsultacje z prowadzącymi zajęcia – 30 godzin zaliczenie laboratorium i egzamin – 2 godziny praca własna (rozwiązywanie zadań, studiowanie literatury) - 30 godzin przygotowanie do egzaminu – 28 godzin RAZEM: 150 godzin (6 punktów ECTS) |
||
| Efekty uczenia się - wiedza: | W1. Dostrzega różnice między danymi ustrukturyzowanymi i nieustrukturyzowanymi, rozumie specyficzne problemy i trudności związane z przetwarzaniem i analizowaniem danych nieustrukturyzowanych (K_W02, K_W03). W2. Ma wiedzę na temat metod statystycznych przydatnych w analizie danych nieustrukturyzowanych oraz zna ich przykładowe zastosowania prowadzące do znalezienia zależności pomiędzy tymi danymi (K_W05). W3. Zna główne zagadnienia eksploracji tekstu (klasyfikacja, grupowanie, wyszukiwanie informacji, wydobywanie informacji, analiza sentymentu) oraz podstawowe algorytmy stosowane do ich rozwiązania (K_W08). W4. Zna najważniejsze narzędzia i biblioteki programistyczne przeznaczone do przetwarzania i analizy danych nieustrukturyzowanych (K_W10-K_W12). |
||
| Efekty uczenia się - umiejętności: | U1. Umie pobrać dane tekstowe z ogólnodostępnych zasobów, w tym serwisów internetowych i platform mediów społecznościowych (K_U03). U2. Potrafi wyodrębnić kluczowe cechy dokumentów tekstowych i przekształcić je do postaci wektorowej, nadającej się do analiz (K_U04). U3.Umie dokonać klasyfikacji i grupowania zbiorów dokumentów tekstowych z wykorzystaniem odpowiednich algorytmów i narzędzi (K_U07, K_U10, K_U13, K_U16). U4.Potrafi wyznaczyć najważniejsze metryki sieci społecznościowej w szczególności miary centralności, wykrywać ukryte podgrupy w sieciach oraz przeprowadzić prostą analizę zachowania użytkowników sieci (K_U10, K_U16). |
||
| Efekty uczenia się - kompetencje społeczne: | K1. Potrafi sformułować problem eksploracji danych tekstowych w sposób zrozumiały zarówno dla osób, z którymi współpracuje w tym obszarze, jak i ekspertów analityków (K_K05). K2. Ma świadomość etycznych i prawnych ograniczeń związanych z pobieraniem, przechowywaniem i analizą danych tekstowych (K_K07). K3. Rozumie potrzebę ciągłego poszerzania i aktualizowania wiedzy z zakresu analizy danych tekstowych (K_K02). |
||
| Metody dydaktyczne podające: | - wykład informacyjny (konwencjonalny) |
||
| Metody dydaktyczne poszukujące: | - studium przypadku |
||
| Skrócony opis: |
Obecnie zdecydowana większość (około 80%) informacji przechowywana jest w postaci zwykłego tekstu, text-mining jest powszechnie uznawany za dziedzinę wiedzy o wysokim potencjale komercyjnym. Celem przedmiotu jest zapoznanie studentów z najważniejszymi zagadnieniami związanymi z wydobywaniem informacji z nieustrukturyzowanych dokumentów tekstowych, eksploracją stron internetowych (ang. web mining) czy danych z sieci społecznościowych (ang. social web mining). |
||
| Pełny opis: |
Wykład Program wykładu obejmuje wprowadzenie w tematykę eksploracji danych tekstowych, przedstawienie podstawowych źródeł tych danych oraz omówienie konieczności wstępnego przetwarzania tekstu. Głównym punktem wykładu będzie prezentacja podstawowych algorytmów z zakresu wyszukiwania informacji, klasyfikacji i grupowania dokumentów, wydobywania informacji z tekstu oraz modelowania tematycznego. Na koniec omówione zostaną bardziej specjalistyczne zagadnienia związane z analizą sentymentu oraz wydobywaniem informacji z sieci społecznościowych. Laboratorium Program zajęć laboratoryjnych obejmuje przedstawienie możliwości języka programowania Python w zakresie analizy danych tekstowych. Treści i algorytmy omawiane na wykładzie zostaną wykorzystane do analizy rzeczywistych danych tekstowych. |
||
| Literatura: |
Literatura podstawowa: - S. M. Weiss, N. Indurkhya, T. Zhang - Fundamentals of Predictive Text Mining, Second Edition, Springer, 2015. - Ch. Aggarval, Ch. Zhai - Mining Text Data, Springer, 2012. - Ch. D. Manning, P. Raghavan, H. Schutze - Introduction to Information Retrieval, Cambridge University Press, 2009. Literatura uzupełniająca: - Ch. Aggarwal - Machine Learning for Text, Springer, 2018 - J. Perkins - Python 3 Text Processing with NLTK Cookbook, Packt Publishing, 2014. - M. A. Russell, M. Klassen – Data Mining. Eksploracja danych w sieciach społecznościowych, Wydanie 3. Helion , 2019. - B. Liu - Sentiment Analysis, Cambridge University Press, 2015 |
||
| Metody i kryteria oceniania: |
Egzamin ustny - W1, W2, W3, K1, K3 Zadania o charakterze analitycznym i programistycznym – W4, U1, U2, U3,U4, K1, K2 Aktywność na zajęciach – K1 |
||
| Praktyki zawodowe: |
Nie dotyczy. |
||
Zajęcia w cyklu "Semestr letni 2020/21" (jeszcze nie rozpoczęty)
| Okres: | 2021-02-22 - 2021-09-20 |
 
 zobacz plan zajęć |
| Typ zajęć: |
Laboratorium, 30 godzin, 16 miejsc  więcej informacji Wykład, 30 godzin, 30 miejsc więcej informacji |
|
| Koordynatorzy: | Bartosz Ziemkiewicz | |
| Prowadzący grup: | Bartosz Ziemkiewicz | |
| Lista studentów: | (nie masz dostępu) | |
| Zaliczenie: |
Przedmiot -
Egzamin
Laboratorium - Zaliczenie na ocenę Wykład - Egzamin |
Właścicielem praw autorskich jest Uniwersytet Mikołaja Kopernika w Toruniu.