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

nauki socjologiczne

Grupa przedmiotów ogólnouczenianych

nie dotyczy

Opis nakładu pracy studenta w ECTS

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

Poziom przedmiotu

średnio-zaawansowany

Symbol/Symbole kierunkowe efektów uczenia się

Zgodnie z programem studiów uchwalonym przez Senat UKSW: https://monitor.uksw.edu.pl/docs/search BDAS2_W08, BDAS2_W09, BDAS2_W14

Typ przedmiotu

obowiązkowy

Wymagania wstępne

Inżynieria i analiza Big Data I-wykład Statystyka opisowa

Koordynatorzy przedmiotu

Second Bwanakare

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 przedmiotu: - obecność i aktywność (25%), praca domowa w grupie 4-osobowej (prezentacja pracy w ciągu ostatnich 45 minut ostatniego spotkania) (75%)

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:

Strona przedmiotu WSE-BD-IABD-II-w w USOSweb