Uniwersytet Mikołaja Kopernika w Toruniu - Centralny punkt logowania
Strona główna

Wykład monograficzny

Informacje ogólne

Kod przedmiotu: 1000-I2M1901
Kod Erasmus / ISCED: (brak danych) / (0613) Tworzenie i analiza oprogramowania i aplikacji Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Wykład monograficzny
Jednostka: Wydział Matematyki i Informatyki
Grupy: Inf., II st., stacjonarne, 1 rok, wykłady monograficzne
Punkty ECTS i inne: (brak) Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.

zobacz reguły punktacji
Język prowadzenia: polski
Wymagania wstępne:

Dobra znajomość przynajmniej jednego języka programowania (zalecany Python, ale może być też Java lub C++). Znajomość podstaw algebry liniowej (macierze, wektory i operacje na nich), rachunku prawdopodobieństwa (prawdopodobieństwo klasyczne i warunkowe) oraz statystyki opisowej (średnia, mediana, wariancja itp.).

Rodzaj przedmiotu:

przedmiot fakultatywny

Całkowity nakład pracy studenta:

wykład - 30 godzin

praca własna, studiowanie literatury - 30 godzin


RAZEM: 60 godzin

2 punkty 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_W05, K_W06, K_W08).

W2. Zna najważniejsze metody wyodrębniania kluczowych cech dokumentów tekstowych i przekształcania ich do postaci numerycznej, nadającej się do analizy (K_W08).

W3. Dla każdego z podstawowych problemów eksploracji tekstu (klasyfikacja, grupowanie, wyszukiwanie informacji) zna przynajmniej jeden algorytm stosowany do jego rozwiązania (K_W08, K_W10).


(Kody odnoszą się do efektów dla studiów 2 stopnia na kierunku informatyka.)

Efekty uczenia się - umiejętności:

U1. Potrafi znaleźć potrzebne dane w zbiorach danych ogólnie dostępnych, umie pobrać dane i przekształcić je do postaci nadającej się do analizy (K_U10, K_U12).

U2. Umie wybrać algorytm eksploracji danych odpowiedni do konkretnego zagadnienia, oraz zaprezentować jego działanie na przykładowych danych (K_U10).


(Kody odnoszą się do efektów dla studiów 2 stopnia na kierunku informatyka.)

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_K02, K_K05)

K2. Potrafi czerpać wiedzę z danych i na tej podstawie formułować propozycje rozwiązania sytuacji problemowych. (K_K03)


(Kody odnoszą się do efektów dla studiów 2 stopnia na kierunku informatyka.)

Metody dydaktyczne podające:

- wykład informacyjny (konwencjonalny)
- wykład konwersatoryjny

Metody dydaktyczne poszukujące:

- studium przypadku

Skrócony opis:

Tematyka wykładu obejmować będzie różnorodne zagadnienia związane z eksploracją tekstu (ang. text mining) czyli wydobywaniem informacji z nieustrukturyzowanych dokumentów tekstowych, eksploracją stron internetowych (ang. web mining) czy danych z sieci społecznościowych (ang. social web mining). Wykład połączony jest z seminarium magisterskim 1000-I2SEMmgrI (grupa 1).

Eksploracja tekstu to interdyscyplinarna dziedzina wiedzy łącząca w sobie zagadnienia klasycznej eksploracji danych, uczenia maszynowego, statystyki oraz przetwarzania języka naturalnego. Jej początki datuje się na połowę lat 80-tych XX wieku, a od początku XXI wieku możemy obserwować jej szybki rozwój. Ponieważ obecnie zdecydowana większość (około 80%) informacji przechowywana jest w postaci zwykłego tekstu, text-mining jest powszechnie uznawany za dziedzinę wiedzy o wysokim potencjale komercyjnym.

Literatura:

* Ch. D. Manning, P. Raghavan, H. Schutze - Introduction to Information Retrieval, Cambridge University Press, 2009.

* Ch. Aggarval, Ch. Zhai - Mining Text Data, Springer, 2012.

* Ch. Aggarwal - Machine Learning for Text, Springer, 2018

* S. M. Weiss, N. Indurkhya, T. Zhang - Fundamentals of Predictive Text Mining, Second Edition, Springer, 2015.

* J. Perkins - Python 3 Text Processing with NLTK Cookbook, Packt Publishing, 2014.

* M. A. Russell - Mining the Social Web. Second Edition, O'Reilly, 2014.

* B. Liu - Sentiment Analysis, Cambridge University Press, 2015

Metody i kryteria oceniania:

Zaliczenie na podstawie obecności na wykładzie.

Przedmiot nie jest oferowany w żadnym z aktualnych cykli dydaktycznych.
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 7.0.2.0-1 (2024-03-12)