Eksploracja danych WP-CWC-N-1-ED

W czasie zajęć realizowane będą następujące zagadnienia: pozyskiwanie danych i ich wstępna obróbka, statystyka opisowa, eksploracyjna analiza danych, klasyfikacja i algorytmy klasyfikacyjne (k-nn, drzewa decyzyjne i lasy losowe, sieci neuronowe), regresja i algorytmy szacowania (k-nn, drzewa CRT, sieci neuronowe), grupowanie (metodami k średnich, hierarchiczną, dwustopniową analizą skupień, sieciami Kohonena), analiza koszykowa oraz metody redukcji wymiaru.

Wszystkie zagadnienia omówione na wykładzie będą następnie ilustrowane ćwiczeniami praktycznymi na zajęciach laboratoryjnych z użyciem środowiska R oraz języka programowania Python.

E-Learning

W cyklu 2024/25_Z:

E-Learning (pełny kurs) z podziałem na grupy

W cyklu 2023/24_Z:

E-Learning (pełny kurs) z podziałem na grupy

W cyklu 2022/23_Z:

E-Learning

W cyklu 2021/22_Z:

E-Learning (pełny kurs) z podziałem na grupy

Grupa przedmiotów ogólnouczenianych

nie dotyczy

Opis nakładu pracy studenta w ECTS

1. Godziny realizowane z udziałem nauczycieli: a. konserwatorium – 15 godzin, c. bieżące przygotowanie do zajęć, w tym rozwiązywanie zadań zleconych przez prowadzących, zapoznanie się z informacją zwrotną dotyczącą rozwiązanych zadań oraz konsultacje z prowadzącymi zajęcia – 20 godzin. 2. Czas poświęcony na pracę indywidualną studenta/słuchacza/uczestnika kursu potrzebny do pomyślnego zaliczenia przedmiotu: a. studiowanie literatury – 20 godzin, b. zapoznanie się z materiałami dodatkowymi, m.in. dokumentacją bibliotek i pakietów – 20 godzin, 3. Czas wymagany do przygotowania się do uczestnictwa w procesie oceniania (np. w sprawdzianach): a. przygotowanie się do sprawdzianu– 20 godzin. RAZEM: 95 godzin (6 punktów ECTS)

Poziom przedmiotu

podstawowy

Symbol/Symbole kierunkowe efektów uczenia się

wpisz symbol/symbole efektów kształcenia

Typ przedmiotu

obowiązkowy

Wymagania wstępne

- Podstawowa umiejętność posługiwania się komputerem. - Podstawowa umiejętność programowania. - Znajomość podstawowych pojęć statystyki opisowej.

Koordynatorzy przedmiotu

Jakub Gąsior

Efekty kształcenia

K1 - Potrafi sformułować problem eksploracji danych w sposób zrozumiały zarówno dla osób, z którymi współpracuje w tym obszarze, jak i ekspertów analityków (K_K02, K_K04).

K2 - Potrafi czerpać wiedzę z danych i na tej podstawie formułować propozycje rozwiązania sytuacji problemowych (K_K02).

Kryteria oceniania

Sprawdziany pisemne (testowe) – kryterium zaliczenia ustala prowadzący na początkowych zajęciach – W2, K2.

Literatura

Literatura podstawowa:

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. Ch. D. Larose, D. T. Larose: ,,Data Science Using Python and R''. Wiley, 2019.

4. Aktualna dokumentacja narzędzi informatycznych wykorzystywanych na laboratoriach.

Literatura uzupełniająca:

5. Tadeusz Morzy: ,,Eksploracja danych. Metody i algorytmy’’. Wydawnictwo Naukowe PWN, Warszawa, 2013.

6. 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).

7. Trevor Hastie, Robert Tibshirani, Jerome Friedman: ,,The Elements of Statistical Learning''. Springer, 2009 (dostępne na stronie http://statweb.stanford.edu/~tibs/ElemStatLearn/).

8. Paweł Cichosz: ,,Data Mining Algorithms Explained Using R’’. Wiley, 2015.

W cyklu 2022/23_Z:

Literatura podstawowa:

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. Ch. D. Larose, D. T. Larose: ,,Data Science Using Python and R''. Wiley, 2019.

4. Aktualna dokumentacja narzędzi informatycznych wykorzystywanych na laboratoriach.

Literatura uzupełniająca:

5. Tadeusz Morzy: ,,Eksploracja danych. Metody i algorytmy’’. Wydawnictwo Naukowe PWN, Warszawa, 2013.

6. Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani: ,,An Introduction to Statistical Learning with Applications in R''. IV Edition. Springer, 2014

7. Trevor Hastie, Robert Tibshirani, Jerome Friedman: ,,The Elements of Statistical Learning''. Springer, 2009

8. Paweł Cichosz: ,,Data Mining Algorithms Explained Using R’’. Wiley, 2015.

Więcej informacji

Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb:

Strona przedmiotu WP-CWC-N-1-ED w USOSweb