Data mining i big data
Informacje ogólne
Kod przedmiotu: | 1100-12-E21-AG-DMBD |
Kod Erasmus / ISCED: |
(brak danych)
/
(0311) Ekonomia
|
Nazwa przedmiotu: | Data mining i big data |
Jednostka: | Katedra Ekonometrii i Statystyki |
Grupy: |
Ekonomia - plan studiów 1 rok 2 stopnia Ekonomia, 1 rok II stopnia, PRK, sp. analityka gospodarcza |
Punkty ECTS i inne: |
3.00
|
Język prowadzenia: | polski |
Wymagania wstępne: | Zakłada się, że student posiada wiedzę z zakresu statystyki oraz narzędzi informatycznych wykorzystywanych w analizie danych |
Całkowity nakład pracy studenta: | 1. Godziny realizowane z udziałem nauczyciela 15 godz. 2. Konsultacje indywidualne 15 godz. 3. Konsultacje projektów zaliczeniowych 10 godz. 4. Praca indywidualna studenta potrzebna do pomyślnego zaliczenia przedmiotu (przygotowanie i uzupełnienie notatek; zebranie i wybór odpowiednich materiałów do zajęć, wymagane powtórzenie materiału,, czytanie literatury, zapoznanie się z materiałami dydaktycznymi umieszczonymi na platformie e-learningowej, wykonanie zadań) 10 godz. 5. Liczba godzin wymaganych do przygotowania projektu końcowego – 10 godz.; 6. Praca własna studenta 20 godzin. Łącznie: 80 godzin |
Efekty uczenia się - wiedza: | W1: Absolwenta zna i rozumie metody i narzędzia, w tym techniki pozyskiwania danych, właściwe dla nauk ekonomicznych, pozwalające opisywać struktury i instytucje społeczno-ekonomiczne, procesy w nich zachodzące, a także relacje między nimi; metody i narzędzia służące do zaawansowanych rodzajów badań ekonomicznych – K_W06 |
Efekty uczenia się - umiejętności: | U1: Absolwent potrafi analizować i prognozować procesy społeczno-gospodarcze z wykorzystaniem metod eksploracji nadzorowanej oraz nienadzorowanej - K_U04 U2: Absolwent potrafi korzystać z różnorodnych źródeł danych Big data, potrafi wyciągać z nich wiedzę oraz interpretować wyniki – K_U03 U3: Absolwent potrafi samodzielnie identyfikować problemy ekonomiczne i biznesowe oraz poszukiwać ich rozwiązań w dużych zbiorach danych Big data - K_U06 |
Efekty uczenia się - kompetencje społeczne: | K1: Absolwent jest gotów samodzielnie i efektywnie pracować z dużymi zbiorami danych - Big data, formułować pytania badawcze, identyfikować ukryte w zależności w danych, oraz poprawnie wnioskować z otrzymanych wyników - K_K01 |
Metody dydaktyczne podające: | - wykład informacyjny (konwencjonalny) |
Metody dydaktyczne poszukujące: | - ćwiczeniowa |
Skrócony opis: |
Skrócony opis: Celem zajęć jest zapoznanie studentów z algorytmami data mining oraz metodami statystycznymi, które umożliwiają odkrywanie nieznanych zależności (prawidłowości, wzorców, trendów) między danymi w zbiorach danych. Metody te pozwalają z danych tworzyć wiedzę. W badaniach ekonomicznych wykorzystuje się je do prognozowania, klasyfikowania, analizy skupień obiektów, odkrywania asocjacji i sekwencji zdarzeń. Poszczególne metody zostaną omówione z przedstawieniem ich zastosowań. W części praktycznej studenci wykonają analizy przy wykorzystaniu środowiska analizy danych IBM SPSS |
Pełny opis: |
1. Big data i hurtownie danych, architektura systemów business inteligance, 2. Data science a data mining - algorytmy analizy danych, 3. EKSPLORACJA NIENADZOROWANA. Techniki redukcji wymiarowości danych - metoda PCA (principal component analysis), CFA (common factor analysis), 4. Analiza skupień - grupowanie obiektów, 5. Badanie asocjacji – analiza koszykowa (basket market analysis), 6. EKSPLORACJA NADZOROWANA. Metody klasyfikacji obiektów - (metody LDA/QDA, drzewa klasyfikacyjne oraz lasy losowe), 7. Regresja logistyczna oraz sztuczne sieci neuronowe w analizie problemów klasyfikacyjnych |
Literatura: |
Literatura podstawowa: Walesiak M., Gatnar E. (red.) Statystyczna analiza danych z wykorzystaniem programu R, Wydawnictwo Naukowe PWN, Warszawa, 2009. An Introduction to R:A Programming Environment for Data Analysis and Graphics, Version 3.3.2 (2016) (źródło internetowe: https://cran.r-project.org/doc/manuals/R-intro.pdf) Literatura uzupełniająca: Larose D.T., Metody i modele eksploracji danych, Wydawnictwo Naukowe PWN, ISBN 978-83-01-15467-7, Warszawa 2008. Mendrala D., Szeliga M. Microsoft SQL Server. Modelowanie i eksploracja danych, Helion, 2012. oraz artykuły dostępne w sieci związane z zastosowaniem algorytmów data mining w analizach ekonomicznych i biznesowych, |
Metody i kryteria oceniania: |
W1, U1, U2, U3, K1: projekt końcowy teoretyczno - praktyczny, który sprawdza wiedzę i umiejętności z analizy wybranych zbiorów danych i odkrywania z nich wiedzy z wykorzystaniem środowiska analizy danych IBM SPSS. U1, U2, U3: zadania dodatkowe do samodzielnego rozwiązania przez studentów. |
Zajęcia w cyklu "Semestr zimowy 2021/22" (zakończony)
Okres: | 2021-10-01 - 2022-02-20 |
Przejdź do planu
PN WT ŚR CW
CZ PT |
Typ zajęć: |
Ćwiczenia, 15 godzin, 30 miejsc
|
|
Koordynatorzy: | Andrzej Geise | |
Prowadzący grup: | Andrzej Geise | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Zaliczenie na ocenę
Ćwiczenia - Zaliczenie na ocenę |
|
Pełny opis: |
1. Big data i hurtownie danych, architektura systemów business inteligance, 2. Data science a data mining - algorytmy analizy danych, 3. EKSPLORACJA NIENADZOROWANA. Techniki redukcji wymiarowości danych - metoda PCA (principal component analysis), CFA (common factor analysis), 4. Analiza skupień - grupowanie obiektów, 5. Badanie asocjacji – analiza koszykowa (basket market analysis), 6. EKSPLORACJA NADZOROWANA. Metody klasyfikacji obiektów - (metody LDA/QDA, drzewa klasyfikacyjne oraz lasy losowe), 7. Regresja logistyczna oraz sztuczne sieci neuronowe w analizie problemów klasyfikacyjnych |
|
Literatura: |
Literatura podstawowa: Walesiak M., Gatnar E. (red.) Statystyczna analiza danych z wykorzystaniem programu R, Wydawnictwo Naukowe PWN, Warszawa, 2009. An Introduction to R:A Programming Environment for Data Analysis and Graphics, Version 3.3.2 (2016) (źródło internetowe: https://cran.r-project.org/doc/manuals/R-intro.pdf) Literatura uzupełniająca: Larose D.T., Metody i modele eksploracji danych, Wydawnictwo Naukowe PWN, ISBN 978-83-01-15467-7, Warszawa 2008. Mendrala D., Szeliga M. Microsoft SQL Server. Modelowanie i eksploracja danych, Helion, 2012. oraz artykuły dostępne w sieci związane z zastosowaniem algorytmów data mining w analizach ekonomicznych i biznesowych, |
Zajęcia w cyklu "Semestr zimowy 2022/23" (zakończony)
Okres: | 2022-10-01 - 2023-02-19 |
Przejdź do planu
PN WT ŚR CW
CZ PT |
Typ zajęć: |
Ćwiczenia, 15 godzin, 30 miejsc
|
|
Koordynatorzy: | Andrzej Geise | |
Prowadzący grup: | Andrzej Geise | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Zaliczenie na ocenę
Ćwiczenia - Zaliczenie na ocenę |
|
Pełny opis: |
1. Big data i hurtownie danych, architektura systemów business inteligance, 2. Data science a data mining - algorytmy analizy danych, 3. EKSPLORACJA NIENADZOROWANA. Techniki redukcji wymiarowości danych - metoda PCA (principal component analysis), CFA (common factor analysis), 4. Analiza skupień - grupowanie obiektów, 5. Badanie asocjacji – analiza koszykowa (basket market analysis), 6. EKSPLORACJA NADZOROWANA. Metody klasyfikacji obiektów - (metody LDA/QDA, drzewa klasyfikacyjne oraz lasy losowe), 7. Regresja logistyczna oraz sztuczne sieci neuronowe w analizie problemów klasyfikacyjnych |
|
Literatura: |
Literatura podstawowa: Walesiak M., Gatnar E. (red.) Statystyczna analiza danych z wykorzystaniem programu R, Wydawnictwo Naukowe PWN, Warszawa, 2009. An Introduction to R:A Programming Environment for Data Analysis and Graphics, Version 3.3.2 (2016) (źródło internetowe: https://cran.r-project.org/doc/manuals/R-intro.pdf) Literatura uzupełniająca: Larose D.T., Metody i modele eksploracji danych, Wydawnictwo Naukowe PWN, ISBN 978-83-01-15467-7, Warszawa 2008. Mendrala D., Szeliga M. Microsoft SQL Server. Modelowanie i eksploracja danych, Helion, 2012. oraz artykuły dostępne w sieci związane z zastosowaniem algorytmów data mining w analizach ekonomicznych i biznesowych, |
|
Uwagi: |
W1, U1, U2, U3, K1: projekt końcowy teoretyczno - praktyczny, który sprawdza wiedzę i umiejętności z analizy wybranych zbiorów danych i odkrywania z nich wiedzy z wykorzystaniem środowiska analizy danych IBM SPSS. U1, U2, U3: zadania dodatkowe do samodzielnego rozwiązania przez studentów. |
Zajęcia w cyklu "Semestr zimowy 2023/24" (zakończony)
Okres: | 2023-10-01 - 2024-02-19 |
Przejdź do planu
PN WT CW
ŚR CZ PT |
Typ zajęć: |
Ćwiczenia, 15 godzin, 30 miejsc
|
|
Koordynatorzy: | Andrzej Geise | |
Prowadzący grup: | Andrzej Geise | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Zaliczenie na ocenę
Ćwiczenia - Zaliczenie na ocenę |
|
Pełny opis: |
1. Big data i hurtownie danych, architektura systemów business inteligance, 2. Data science a data mining - algorytmy analizy danych, 3. EKSPLORACJA NIENADZOROWANA. Techniki redukcji wymiarowości danych - metoda PCA (principal component analysis), CFA (common factor analysis), 4. Analiza skupień - grupowanie obiektów, 5. Badanie asocjacji – analiza koszykowa (basket market analysis), 6. EKSPLORACJA NADZOROWANA. Metody klasyfikacji obiektów - (metody LDA/QDA, drzewa klasyfikacyjne oraz lasy losowe), 7. Regresja logistyczna oraz sztuczne sieci neuronowe w analizie problemów klasyfikacyjnych |
|
Literatura: |
Literatura podstawowa: Walesiak M., Gatnar E. (red.) Statystyczna analiza danych z wykorzystaniem programu R, Wydawnictwo Naukowe PWN, Warszawa, 2009. An Introduction to R:A Programming Environment for Data Analysis and Graphics, Version 3.3.2 (2016) (źródło internetowe: https://cran.r-project.org/doc/manuals/R-intro.pdf) Literatura uzupełniająca: Larose D.T., Metody i modele eksploracji danych, Wydawnictwo Naukowe PWN, ISBN 978-83-01-15467-7, Warszawa 2008. Mendrala D., Szeliga M. Microsoft SQL Server. Modelowanie i eksploracja danych, Helion, 2012. oraz artykuły dostępne w sieci związane z zastosowaniem algorytmów data mining w analizach ekonomicznych i biznesowych, |
|
Uwagi: |
W1, U1, U2, U3, K1: projekt końcowy teoretyczno - praktyczny, który sprawdza wiedzę i umiejętności z analizy wybranych zbiorów danych i odkrywania z nich wiedzy z wykorzystaniem środowiska analizy danych IBM SPSS. U1, U2, U3: zadania dodatkowe do samodzielnego rozwiązania przez studentów. |
Właścicielem praw autorskich jest Uniwersytet Mikołaja Kopernika w Toruniu.