| Pole | KOD | Znaczenie kodu |
|---|
| Zamierzone efekty kształcenia | IC_1A_O/02-01_U01 | Student potrafi potrafi stosowac algorytmy elsploracji danych w zadaniach praktycznych oraz umie implementiowac wybrane algorytmy |
|---|
| Odniesienie do efektów kształcenia dla kierunku studiów | IC_1A_U19 | Potrafi wykorzystać w przedsięwzięciach informatycznych metody analityczne, symulacyjne i eksperymentalne |
|---|
| IC_1A_U24 | Umie zastosować metody sztucznej inteligencji w przedsięwzięciach informatycznych |
| Odniesienie do efektów zdefiniowanych dla obszaru kształcenia | T1A_U08 | potrafi planować i przeprowadzać eksperymenty, w tym pomiary i symulacje komputerowe, interpretować uzyskane wyniki i wyciągać wnioski |
|---|
| T1A_U09 | potrafi wykorzystać do formułowania i rozwiązywania zadań inżynierskich metody analityczne, symulacyjne oraz eksperymentalne |
| T1A_U10 | potrafi - przy formułowaniu i rozwiązywaniu zadań inżynierskich - dostrzegać ich aspekty systemowe i pozatechniczne |
| T1A_U16 | potrafi - zgodnie z zadaną specyfikacją - zaprojektować oraz zrealizować proste urządzenie, obiekt, system lub proces, typowe dla studiowanego kierunku studiów, używając właściwych metod, technik i narzędzi |
| Odniesienie do efektów kształcenia prowadzących do uzyskania tytułu zawodowego inżyniera | InzA_U01 | potrafi planować i przeprowadzać eksperymenty, w tym pomiary i symulacje komputerowe, interpretować uzyskane wyniki i wyciągać wnioski |
|---|
| InzA_U02 | potrafi wykorzystać do formułowania i rozwiązywania zadań inżynierskich metody analityczne, symulacyjne oraz eksperymentalne |
| InzA_U03 | potrafi - przy formułowaniu i rozwiązywaniu zadań inżynierskich - dostrzegać ich aspekty systemowe i pozatechniczne |
| InzA_U08 | potrafi - zgodnie z zadaną specyfikacją - zaprojektować proste urządzenie, obiekt, system lub proces, typowe dla studiowanego kierunku studiów, używając właściwych metod, technik i narzędzi |
| Cel przedmiotu | C-1 | Zapoznanie się z różnymi technikami analizy i eksploracji danych |
|---|
| C-2 | Ukształtowanie umiejętności rozpoznawania róznych metod eksploracji danych w sytuacjach praktycznych oraz wyboru odpowiednich technik to ich rozwiązywania |
| Treści programowe | T-L-1 | Narzędzia analizy danych, Analiza danych w programach Matlab i R, wczytywanie danych, publiczne repozytoria danych |
|---|
| T-L-2 | Analiza składowych głównych - zastosowanie do wizualizacji dancyh |
| T-L-3 | Testowanie klasyfikatora, metoda krosswalidacji |
| T-L-4 | Techiniki klasyfikacji: Naiwny klasyfikator Bayesowski, drzewa decyzyjne, k-NN, kasyfikatory funkcyjne: regresjia logistyczna, sieci neuronowe. Zapozninie się z bibliotekami, ekperymentalne porównujące własnośc maszyn kasyfikujących pod względem złożoności próbkowej, skalowanie się algorytmów ze względu na rozmiar danych (liczbę atrybutów i rekordów), eksperymenty na danych rzeczywistych. |
| T-L-5 | Algorytmy grupowania danych: metody hierarchiczne, algorytm k-środków, algorytm EM |
| T-L-6 | Algorytm wyszukiwania reguł asocjacyjnych (implemetacja) warianty apriori lub algorytm wykorzystujący drzewo wyliczające podzbiory, wyszukiwanie reguł pareto-optymalnych |
| T-W-1 | Komponenty zadania ekslporacji danych, algorytmiczne aspekty eksploracji danych. |
| T-W-2 | Rodzaje zadań eksploracji danych: identyfikacja rozkłądu, klasyfikacja, regresja, wykrywanie reguł i wzorców. Metody preprocesingu danych: braki w danych, skalowanie i dyskretyzacja atrybutów, techiki wizualizacji, metoda PCA, metody identyfikacji rozkładów |
| T-W-3 | Identyfikacja rozkładu i grupwanie, metoda największej wiarygodności, algorytm EM oraz algorytm K-środków |
| T-W-4 | Ocena jakości maszyn klasyfikujących i regresyjnych, testowanie, kroswalidacja, metoda bootstrap |
| T-W-5 | Klasyfikator bayesa, założenie naiwne, optymalny klasyfikator bayesowski |
| T-W-6 | Drzewa klasyfikujące, budowa drzewa, miary zanieczyszczenia, przycinanie, algorytm CART |
| T-W-7 | Wykrywanie reguł asocjacujnych, wsparcie, zaufanie, algorytm apriori, algorytm wykorzystujący drzewo wyliczające podzbiory, reguły pareto-optymalne |
| Metody nauczania | M-1 | Wykład prezentacja w postaci slajdów |
|---|
| M-2 | Laboratoria praca przy komputerach w środowisku programu Matlab, Python lub R, głównie wykorzystywnie dostępnych bibliotek, oraz przygotowywanie sprawozdań |
| Sposób oceny | S-1 | Ocena formująca: laboratorium ocena sprawozdań |
|---|
| S-3 | Ocena formująca: Laboratorium: ocena pracy na zajęciach |
| S-4 | Ocena podsumowująca: egzamin ustny |
| S-2 | Ocena formująca: Laboratorium: ocena zadań |
| Kryteria oceny | Ocena | Kryterium oceny |
|---|
| 2,0 | Student nie przyswoił sobie podstawowych umiejętności rozwiązywania problemów oraz implementacji algorytmów z zakresu ekspoloracji danych |
| 3,0 | Student przyswoił sobie podstawowe umiejętności rozwiązywania problemów oraz implementacji algorytmów z zakresu ekspoloracji danych w stopniu zadowalającycm |
| 3,5 | Student przyswoił sobie podstawowe umiejętności rozwiązywania problemów oraz implementacji algorytmów z zakresu ekspoloracji danych |
| 4,0 | Student przyswoił sobie umiejętności rozwiązywania problemów oraz implementacji algorytmów w zakresie prezentowanym na zajęciach |
| 4,5 | Student przyswoił sobie umiejętności rozwiązywania problemów oraz implementacji algorytmów w zakresie prezentowanym na zajęciach, przy rozwiazywaniu zadań wykazyje sie pomysłowością i kreatywnością |
| 5,0 | Student przyswoił sobie umiejętności rozwiązywania problemów oraz implementacji algorytmów w zakresie prezentowanym na zajęciach, umie dodatkowo wybrać optymalny sposób implementacji algorytmu oraz w wskazać najlepsze metody do rozwiazania konkretnego zagadnienia |