Uniwersytet Mikołaja Kopernika w Toruniu - Centralny punkt logowaniaNie jesteś zalogowany | zaloguj się
katalog przedmiotów - pomoc

Analiza predykcyjna - metody klasyfikacji

Informacje ogólne

Kod przedmiotu: 117129-AnalPred-MK Kod Erasmus / ISCED: (brak danych) / (brak danych)
Nazwa przedmiotu: Analiza predykcyjna - metody klasyfikacji
Jednostka: Wydział Nauk Ekonomicznych i Zarządzania
Grupy: Studia podyplomowe w zakresie "Data Science w biznesie"
Punkty ECTS i inne: 3.00
Język prowadzenia: polski
Całkowity nakład pracy studenta:

Godziny realizowane z udziałem nauczycieli: wykład - 10 godzin, laboratorium 8 godzin.


Czas poświęcony na pracę indywidualną studenta/słuchacza/uczestnika kursu potrzebny do pomyślnego zaliczenia przedmiotu - 30 godzin.


Czas wymagany do przygotowania się i do uczestnictwa w procesie oceniania (np. w egzaminach) - 27 godzin.


RAZEM: 75 godzin (1 punkt ECTS).



Efekty uczenia się - wiedza:

AP_MK_W1. Wie czym jest klasyfikacja i w jakich problemach biznesowych mogą być stosowane jej metody.

AP_MK_W2. Zna algorytmy stosowane w zagadnieniach klasyfikacji.

AP_MK_W3. Zna metody oceny jakości klasyfikacji.

Efekty uczenia się - umiejętności:

AP_MK_U1. Umie zaproponować odpowiednie algorytmy eksploracji danych do konkretnego zagadnienia klasyfikacji oraz wyselekcjonować z ich użyciem najlepszy model.

AP_MK_U2. Umie przeprowadzić analizę, korzystając z pakietów Pythona. (K_U03)

AP_MK_U3. Umie ocenić jakość klasyfikacji oraz zastosować zbudowany model na nowym zbiorze danych. (K_U05)

Efekty uczenia się - kompetencje społeczne:

AP_MK_K1. Potrafi sformułować problem klasyfikacji w sposób zrozumiały zarówno dla osób, z którymi współpracuje w tym obszarze, jak i ekspertów analityków.

AP_MK_K2. Potrafi czerpać wiedzę z danych i na tej podstawie formułować propozycje rozwiązania sytuacji problemowych.



Metody dydaktyczne podające:

- wykład informacyjny (konwencjonalny)
- wykład konwersatoryjny

Metody dydaktyczne poszukujące:

- laboratoryjna

Skrócony opis:

Celem zajęć jest zapoznanie słuchaczy z zagadnieniem klasyfikacji, prezentacja znanych algorytmów oraz metod oceny jakości modelu.

Pełny opis:

1. Wprowadzenie do klasyfikacji.

2. Przegląd zagadnień, w których wykorzystywane są metody klasyfikacji.

3. Algorytm k najbliższych sąsiadów.

4. Ocena jakości modeli: macierz pomyłek, czułość, trafność, swoistość, krzywe ROC.

5. Drzewa klasyfikacyjno-regresyjne CART.

6. Algorytmy ID3, C4.5, C5.0.

7. Bagging i boosting.

8. Sieci neuronowe MLP.

Wszystkie zagadnienia omówione na wykładzie będą następnie ilustrowane ćwiczeniami praktycznymi na zajęciach laboratoryjnych z użyciem dostępnego oprogramowania.

Literatura:

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. Raul Rojas: ,,Neural Networks'' (dostepne na stronie https://page.mi.fu-berlin.de/rojas/neural/neuron.pdf).

Metody i kryteria oceniania:

Obecność i aktywność na zajęciach.

Zajęcia w cyklu "Rok akademicki 2019/20" (zakończony)

Okres: 2019-10-01 - 2020-09-30
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Ćwiczenia, 8 godzin więcej informacji
Wykład, 10 godzin więcej informacji
Koordynatorzy: Sylwester Bejger, Joanna Karłowska-Pik
Prowadzący grup: Sylwester Bejger, Joanna Karłowska-Pik, Bartosz Ziemkiewicz
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie
Ćwiczenia - Zaliczenie
Wykład - Zaliczenie
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Mikołaja Kopernika w Toruniu.