Algorytmy sztucznej inteligencji w Big Data-ćwiczenia WSE-BD-ASIwBD(I)-ćw
W ramach zajęć studenci poznają:
Algorytmy i metody AI:
klasyfikacja (Decision Trees, Random Forest, Logistic Regression, SVM),
klasteryzacja (k-Means, DBSCAN, Hierarchical Clustering),
algorytmy uczenia nienadzorowanego do analizy struktur społecznych,
wprowadzenie do sieci neuronowych (MLP) w badaniach społecznych,
podstawy modelowania predykcyjnego z użyciem danych socjologicznych,
modele NLP:
analiza sentimentu,
TF-IDF,
embeddings (Word2Vec / FastText),
klasyfikacja tematów (LDA).
Kompetencje praktyczne:
przygotowanie danych społecznych do modelowania (cleaning, preprocessing),
tworzenie pipeline’ów uczenia maszynowego (scikit-learn),
walidacja i ocena modeli w kontekście badań społecznych,
interpretacja modeli (SHAP, LIME),
etyczne aspekty AI — bias, fairness, explainability,
zastosowania AI w socjologii: analiza dyskursu, modele zachowań, predykcja trendów, analiza relacji społecznych.
Grupa przedmiotów ogólnouczenianych
Poziom przedmiotu
Symbol/Symbole kierunkowe efektów uczenia się
Typ przedmiotu
Wymagania wstępne
Koordynatorzy przedmiotu
Efekty kształcenia
Po ukończeniu zajęć student:
Wiedza
zna podstawowe algorytmy AI stosowane w analizie danych społecznych,
rozumie różnice między modelami nadzorowanymi i nienadzorowanymi,
zna ryzyka, ograniczenia i błędy interpretacyjne związane z wykorzystaniem AI w socjologii.
Umiejętności
potrafi przygotować dane socjologiczne do analizy algorytmicznej,
konstruuje i trenuje modele klasyfikacyjne, klastrowe i podstawowe sieci neuronowe,
interpretuje wyniki modeli z uwzględnieniem kontekstu społecznego,
wykorzystuje narzędzia AI do analizy tekstu i danych jakościowych.
Kompetencje społeczne
stosuje zasady etycznego wykorzystywania AI w badaniach społecznych,
krytycznie ocenia wyniki uzyskane z modeli AI,
posiada świadomość wpływu algorytmów na społeczeństwo i procesy społeczne.
Kryteria oceniania
projekt zespołowy oparty na realnym zbiorze danych (60%),
zadania laboratoryjne (20%),
kolokwium praktyczne w Pythonie (20%).
Literatura
Zajęcia pt. „AI, Big Data and Power BI for Social Sciences” obejmują:
– wprowadzenie do źródeł danych społecznych przetwarzanych przez algorytmy (dane ankietowe, miejskie, streamingowe, social media),
– przygotowanie danych do analizy z wykorzystaniem funkcji Power BI oraz prostych modeli AI (np. klasyfikacja tekstu, identyfikacja sentymentu, grupowanie danych),
– projektowanie dashboardów analitycznych, które integrują wyniki działania algorytmów AI z wizualizacjami Power BI,
– interpretację predykcji i rekomendacji generowanych przez modele uczące się, z uwzględnieniem ograniczeń i ryzyka (AI ethics),
– omówienie „algorithmic accountability” w kontekście polityk publicznych i procesów społecznych.
Zajęcia wspierają rozwój kompetencji data literacy, AI literacy oraz visual reasoning.
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: