Metody eksploracji danych
Informacje ogólne
Kod przedmiotu: | 1000-M2MED |
Kod Erasmus / ISCED: |
(brak danych)
/
(0541) Matematyka
|
Nazwa przedmiotu: | Metody eksploracji danych |
Jednostka: | Wydział Matematyki i Informatyki |
Grupy: |
Mat., sp. nauczycielskie, II st., stacjonarne, przedmioty do wyboru + uzup. stand. kszt. Mat., sp. zastosowania, II st., stac., przedmioty do wyboru + uzup. stand. kszt. |
Punkty ECTS i inne: |
(brak)
|
Język prowadzenia: | polski |
Wymagania wstępne: | Znajomość podstawowych pojęć rachunku prawdopodobieństwa i statystyki matematycznej. |
Rodzaj przedmiotu: | przedmiot fakultatywny |
Całkowity nakład pracy studenta: | 30 godzin - wykład 30 godzin - ćwiczenia 30 godzin - wykonanie zadań koniecznych do zaliczenia ćwiczeń, 30 godzin - praca własna (bieżące przygotowanie do zajęć, studiowanie literatury) 30 godzin - praca własna (przygotowanie do egzaminu) RAZEM: 150 godzin 6 pkt. ECTS |
Efekty uczenia się - wiedza: | Po ukończeniu kursu 1000-M2MED student osiąga następujące efekty (kody odnoszą się do efektów dla studiów 2 stopnia na kierunku matematyka): W1: zna podstawowe techniki eksploracji danych ich wymagania oraz ograniczenia (K_W04); W2: Zna zastosowania poznanych metod w analizie danych rzeczywistych (K_W06); W3: Zna najpopularniejsze na rynku programy do analizy danych, potrafi posługiwać się jednym z nich w stopniu co najmniej podstawowym (K_W07). |
Efekty uczenia się - umiejętności: | Po ukończeniu kursu 1000-M2MED student osiąga następujące efekty (kody odnoszą się do efektów dla studiów 2 stopnia na kierunku matematyka): U1: umie wykorzystać podstawowe pojęcia statystyki w obróbce i eksploracji danych (K_U08); U2: potrafi konstruować, oceniać i stosować modele eksploracyjne za pomocą wybranego programu do analizy danych (K_U12) |
Efekty uczenia się - kompetencje społeczne: | Po ukończeniu kursu 1000-M2MED student osiąga następujące efekty (kody odnoszą się do efektów dla studiów 2 stopnia na kierunku matematyka): K1: efektywnie pracuje z dużą ilością danych, potrafi dostrzec zależności i wyciągnąć poprawne wnioski (K_K01); K2: realizuje postawione zadania, samodzielnie podejmując decyzje dotyczące wyboru odpowiednich technik eksploracyjnych w razie potrzeby znajdując informacje w literaturze lub Internecie (K_K07); K3. formułuje wnioski z badań w sposób zrozumiały dla specjalistów z innych dziedzin (K_K04); |
Metody dydaktyczne eksponujące: | - pokaz |
Metody dydaktyczne podające: | - wykład informacyjny (konwencjonalny) |
Metody dydaktyczne poszukujące: | - laboratoryjna |
Skrócony opis: |
W ramach zajęć przedstawione zostaną podstawowe metody eksploracji danych. Metody te będą ilustrowane przykładami analizy danych rzeczywistych wykonanymi w profesjonalnym programach IBM SPSS Statistics i KNIME. |
Pełny opis: |
1. Wprowadzenie do eksploracji danych. Prezentacja dostępnych programów oraz zbiorów danych. 2. Przegląd zagadnień, w których wykorzystywana jest eksploracja danych i jej konkretne techniki. 3. Wstępna obróbka danych. 4. Eksploracyjna analiza danych. 5. Podstawy modelowania i oceny jakości modeli. 6. Klasyfikacja. Algorytm k najbliższych sąsiadów. 7. Klasyfikacja metodą drzew decyzyjnych i lasów losowych. 8. Sieci neuronowe. 9. Analiza regresji. 10. Analiza skupień. Metoda k średnich. 11. Grupowanie hierarchiczne i dwustopniowa analiza skupień. 12. Analiza koszykowa. 13. Metody redukcji wymiaru. Analiza składowych głównych. |
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/). |
Metody i kryteria oceniania: |
Ocena części laboratoryjnej będzie wystawiona na podstawie wykonanych analiz, sprawdzających efekty W3, U2, K1, K2, K3. Egzamin będzie sprawdzał wiedzę teoretyczną oraz efekty W1, W2, U1. |
Właścicielem praw autorskich jest Uniwersytet Mikołaja Kopernika w Toruniu.