Drukuj sylabus

Eksploracja danych

Informacje ogólne

Kod przedmiotu:

EF/AA-ZU>ED

Kod Erasmus / ISCED:

(brak danych) / (brak danych)

Nazwa przedmiotu:

Eksploracja danych

Jednostka:

Katedra Informatyki i Automatyki

Grupy:

Przedmioty 1 sem. - informatyka-inżynieria systemów informatycznych nst.II-go st.

Punkty ECTS i inne:

4.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:

roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.

Język prowadzenia:

polski

Pełny opis:

W ramach przedmiotu omawiane są pojęcia, algorytmy, techniki oraz systemy wykorzystujące hurtownie danych oraz metody eksploracji danych, w tym: (1) wstępna obróbka danych, (2) projektowanie i implementacja systemów hurtowni danych i aplikacji OLAP, (3) technologia kostek danych, (4) odkrywanie częstych wzorców i asocjacji, (5) klasyfikacja oraz (6) analiza skupień (klastrów). Student powinien postrzegać eksplorację danych jako proces obejmujący fazy: rozpoznania danych, wstępnego przetwarzania, modelowania, oceny uzyskanych wzorców oraz wdrożenia wyników eksploracji.

Treści kształcenia

- Wprowadzenie do odkrywania wiedzy z danych.

- Problem wstępnego przetwarzania i metody czyszczenia danych

- Integracja, transformacja i redukcja danych

- Pojęcie i architektura hurtowni danych

- Wielowymiarowy model danych. Operacje OLAP

- Podstawowe pojęcia z zakresu częstych wzorców i analizy asocjacji

- Metody odkrywania częstych wzorców

- Przykłady zastosowań reguł asocjacyjnych

- Kolokwium 1

- Podstawowe pojęcia oraz ocena modeli klasyfikacji

- Indukcja drzew i reguł decyzyjnych

- Podstawowe pojęcia z zakresu klasyfikacji nieliniowej

- Pojęcie klasteryzacji i typy danych w kontekście wyznaczania odrębności

- Wybrane metody klasteryzacji

- Kolokwium 2

- 1) Nauka użytkowania systemów eksploracji danych przez pracę z wybranym oprogramowaniem wspomagającym eksplorację danych zarządzanie hurtownią danych, np.: MS SQLServer, Oracle 10g (część data mining), IBM Intelligent-Miner oraz narzędzia do analizy statystycznej.

2) Realizacja wybranych funkcji eksploracji danych, jak: generowanie asocjacji, klasyfikacja oraz klasteryzacja. Używa się przy tym wybranych systemów eksploracji udostępnianych na zasadach niekomercyjnych jak Weka.

3) Wykorzystanie przykładowych, powszechnie dostępnych, zbiorów danych do implementacji i testowania funkcji eksploracji danych.

Literatura:

Literatura wykorzystywana podczas zajęć wykładowych

D.T. Larose - Odkrywanie wiedzy z danych. Wprowadzenie do eksploracji danych - Wydawnictwo Naukowe PWN. - 2006

J. Han, M. Kamber, J. Pei - Data Mining: Concepts and Techniques, 3rd ed. - Morgan Kaufman, 2011 (można wykorzystać także wczesniejsze wydania). -

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

D.T. Larose - Odkrywanie wiedzy z danych. Wprowadzenie do eksploracji danych - Wydawnictwo Naukowe PWN. - 2006

J. Han, M. Kamber, J. Pei - Data Mining: Concepts and Techniques 3rd ed. - Morgan Kaufman, 2011 (można wykorzystać także poprzednie wydania). -

Literatura uzupełniająca

D. Pyle - Data Preparation for Data Mining - Morgan Kaufmann. - 1999

C. Todman - Projektowanie hurtowni danych - Wydawnictwa Naukowo-Techniczne. - 2003

D. Hand, H. Mannila, P. Smyth - Eksploracja danych - Wydawnictwa Naukowo-Techniczne. - 2005

D.T. Larose - Metody i modele eksploracji danych - Wydawnictwo Naukowe PWN. - 2012

Publikacje naukowe

B. Jędrzejec; K. Świder - Automatically conducted learning from textually expressed vacationers’ opinions - . - 2018

Efekty uczenia się:

Student, który zaliczył moduł	Formy zajęć/metody dydaktyczne prowadzące do osiągnięcia danego efektu kształcenia	Sposoby weryfikacji każdego z wymienionych efektów kształcenia
Rozumie potrzebę wstępnego przetwarzania danych a także ma podstawową wiedzę z zakresu: technik oczyszczania danych, integracji i transformacji danych oraz redukcji danych.	wykład, laboratorium	kolokwium, egzamin końcowy
Ma podstawową wiedzę na temat hurtowni danych i związanych z nimi modeli wielowymiarowych oraz jest w stanie przeprowadzać proste analizy OLAP na kostce danych.	wykład, laboratorium	kolokwium, egzamin końcowy
Ma podstawową wiedzę na temat pojęć i technik z zakresu analizy asocjacji, korelacji a także analizy częstych wzorców.	wykład, laboratorium	kolokwium, egzamin końcowy
Ma podstawową wiedzę na temat pojęć i technik z zakresu analizy metodą klasyfikacji, w tym indukcji drzew decyzyjnych.	wykład, laboratorium	kolokwium, egzamin końcowy
Ma podstawową wiedzę na temat pojęć i technik z zakresu analizy metodą klasteryzacji, w tym klasteryzacji metodą k-średnich.	wykład, laboratorium	kolokwium, egzamin końcowy

Metody i kryteria oceniania:

na ocenę 3	na ocenę 4	na ocenę 5
Rozumie potrzebę wstępnego przetwarzania danych a także ma podstawową wiedzę z zakresu: technik oczyszczania danych, integracji i transformacji danych oraz redukcji danych.	nie tylko osiągnął poziom wiedzy i umiejętności wymagany na ocenę 3, ale również ma rozszerzoną wiedzę z zakresu: technik oczyszczania danych, integracji i transformacji danych oraz redukcji danych.	nie tylko osiągnął poziom wiedzy i umiejętności wymagany na ocenę 4, ale również wykazuje się biegłością i kreatywnością w zakresie: technik oczyszczania danych, integracji i transformacji danych oraz redukcji danych.
Ma podstawową wiedzę na temat hurtowni danych i związanych z nimi modeli wielowymiarowych oraz jest w stanie przeprowadzać proste analizy OLAP na kostce danych.	nie tylko osiągnął poziom wiedzy i umiejętności wymagany na ocenę 3, ale również ma rozszerzoną wiedzę na temat hurtowni danych i związanych z nimi modeli wielowymiarowych oraz jest w stanie przeprowadzać proste analizy OLAP na kostce danych.	nie tylko osiągnął poziom wiedzy i umiejętności wymagany na ocenę 4, ale również wykazuje się biegłością i kreatywnością w zakresie hurtowni danych i związanych z nimi modeli wielowymiarowych oraz jest w stanie przeprowadzać proste analizy OLAP na kostce danych.
Ma podstawową wiedzę na temat pojęć i technik z zakresu analizy asocjacji, korelacji a także analizy częstych wzorców.	nie tylko osiągnął poziom wiedzy i umiejętności wymagany na ocenę 3, ale również ma rozszerzoną wiedzę na temat pojęć i technik z zakresu analizy asocjacji, korelacji a także analizy częstych wzorców.	nie tylko osiągnął poziom wiedzy i umiejętności wymagany na ocenę 4, ale również wykazuje się biegłością i kreatywnością w zakresie pojęć i technik z zakresu analizy asocjacji, korelacji a także analizy częstych wzorców.
Ma podstawową wiedzę na temat pojęć i technik z zakresu analizy metodą klasyfikacji, w tym indukcji drzew decyzyjnych.	nie tylko osiągnął poziom wiedzy i umiejętności wymagany na ocenę 3, ale również ma rozszerzoną wiedzę na temat pojęć i technik z zakresu analizy metodą klasyfikacji, w tym indukcji drzew decyzyjnych.	nie tylko osiągnął poziom wiedzy i umiejętności wymagany na ocenę 4, ale również wykazuje się biegłością i kreatywnością w zakresie pojęć i technik z zakresu analizy metodą klasyfikacji, w tym indukcji drzew decyzyjnych.
Ma podstawową wiedzę na temat pojęć i technik z zakresu analizy metodą klasteryzacji, w tym klasteryzacji metodą k-średnich.	nie tylko osiągnął poziom wiedzy i umiejętności wymagany na ocenę 3, ale również ma rozszerzoną wiedzę na temat pojęć i technik z zakresu analizy metodą klasteryzacji, w tym klasteryzacji metodą k-średnich.	nie tylko osiągnął poziom wiedzy i umiejętności wymagany na ocenę 4, ale również wykazuje się biegłością i kreatywnością w zakresie pojęć i technik z zakresu analizy metodą klasteryzacji, w tym klasteryzacji metodą k-średnich.

Zajęcia w cyklu "Semestr zimowy 2019/20" (zakończony)

Okres:	2019-10-01 - 2020-01-31	Wybrany podział planu: tygodniowy cykl przedmiotu Przejdź do planu PN WT ŚR CZ PT SO N WYK LAB LAB
Typ zajęć:	Laboratorium, 15 godzin więcej informacji Wykład, 15 godzin więcej informacji
Koordynatorzy:	Krzysztof Świder
Prowadzący grup:	Bartosz Jędrzejec, Mariusz Oszust, Krzysztof Świder
Lista studentów:	(nie masz dostępu)
Zaliczenie:	Zaliczenie

Zajęcia w cyklu "Semestr zimowy 2020/21" (zakończony)

Okres:	2020-10-01 - 2021-02-01	Wybrany podział planu: tygodniowy cykl przedmiotu Przejdź do planu PN WT ŚR CZ PT SO WYK LAB LAB WYK N WYK
Typ zajęć:	Laboratorium, 15 godzin więcej informacji Wykład, 15 godzin więcej informacji
Koordynatorzy:	Krzysztof Świder
Prowadzący grup:	Bartosz Jędrzejec, Mariusz Oszust, Krzysztof Świder
Lista studentów:	(nie masz dostępu)
Zaliczenie:	Zaliczenie

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Politechnika Rzeszowska im. Ignacego Łukasiewicza.