Inżynieria i analiza Big Data II-wykład WSE-BD-IABD-II-w
1. Metodologiczne stopnienie wartości informacji: od Big Data do sztucznej inteligencji
2. Cechy Big data i ich struktura statystyczna
3. Analiza opisowa i analiza diagnostyczna danych
4. Metody eksploracyjne danych(data mining) :
a) grupowanie
b) klasyfikacja nie kontrolowana i kontrolowana
5. Uczenie maszynowe i sztuczna inteligencja
Dyscyplina naukowa, do której odnoszą się efekty uczenia się
Grupa przedmiotów ogólnouczenianych
Opis nakładu pracy studenta w ECTS
W cyklu 2023/24_L: Aktywność studencka Nakład pracy studenta w godzinach
udział w wykładzie 15
przygotowanie do dyskusji międzygrupowych 12
konsultacja 5
czas na napisanie pracy 5
przygotowanie do egzaminu 15
CAŁKOWITA LICZBA GODZIN 52
LICZBA PUNKTÓW ECTS 52 godzin / 30 (25) godzin ≈ 2
| W cyklu 2024/25_L: Aktywność studencka Nakład pracy studenta w godzinach
udział w wykładzie 30
przygotowanie do dyskusji międzygrupowych 10
konsultacja 5
czas na napisanie pracy 10
przygotowanie do egzaminu 15
CAŁKOWITA LICZBA GODZIN 70
LICZBA PUNKTÓW ECTS 70godzin / 30 (25) godzin ≈ 3
|
Poziom przedmiotu
Symbol/Symbole kierunkowe efektów uczenia się
Typ przedmiotu
Wymagania wstępne
Koordynatorzy przedmiotu
Efekty kształcenia
W01. Posiada ustrukturyzowaną i pogłębioną wiedzę na temat metodologiczno-technicznych powiązań Big Data ze sztuczną inteligencją
W02. Posiada wiedzę z zakresu analizy opisowej i diagnostycznej masowych danych,
W03. Posiada wiedzę na temat metod analizy predyktywnej i symulacyjnej ogromnych danych w kontekście uczenia maszynowego i sztucznej inteligencji
U01. Potrafi przeprowadzić analizę opisową i diagnozę na ogromnych danych przy użyciu oprogramowania SPSS
U02. Potrafi przeprowadzić predyktywną analizę klasyfikacji i/lub grupowania za pomocą oprogramowania SPSS w kontekście zjawiska społecznego.
K01. Zespołowe przygotowywanie projektów społecznych z zakresu analizy danych
K02. Współpraca interdyscyplinarna w kontekście realizowanych zadań
Kryteria oceniania
Kryteria zaliczenia kursu: - obecność i aktywność (20%), projekt grupowy (80%). Będzie on prezentowany przez każdego członka grupy. Oczekuje się pytań ustnych podczas prezentacji w celu dalszej weryfikacji efektów uczenia się.
Praktyki zawodowe
n.d.
Literatura
Szeliga M., Data science i uczenie maszynowe, Wydawnictwo Naukowe PWN, Warszawa 2017
Szeliga M., Praktyczne uczenie maszynowe, Wydawnictwo Naukowe PWN, Warszawa 2019
Stephenson D., Big data, nauka o danych i AI bez tajemnic, Wydawnictwo Helion, Gliwice 2020
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: