SYLABUS DOTYCZY CYKLU KSZTAŁCENIA REALIZACJA W ROKU AKADEMICKIM 2016/2017

Transkrypt

1 SYLABUS DOTYCZY CYKLU KSZTAŁCENIA REALIZACJA W ROKU AKADEMICKIM 2016/ Podstawowe informacje o przedmiocie/module Nazwa przedmiotu/ modułu Metody eksploracji danych Kod przedmiotu/ modułu* - Wydział (nazwa jednostki prowadzącej kierunek) Nazwa jednostki realizującej przedmiot Kierunek studiów Poziom kształcenia Profil Forma studiów Wydział Matematyczno-Przyrodniczy Wydział Matematyczno-Przyrodniczy Informatyka Studia inżynierskie I-go stopnia Ogólnoakademicki Stacjonarne Rok i semestr studiów Rok III, semestr 5 Rodzaj przedmiotu Koordynator Przedmiot kształcenia specjalnościowego dr Wojciech Rząsa Imię i nazwisko osoby prowadzącej / osób dr Wojciech Rząsa prowadzących * - zgodnie z ustaleniami na wydziale 1.2.Formy zajęć dydaktycznych, wymiar godzin i punktów ECTS Wykł. Ćw. Konw. Lab. Sem. ZP Prakt. Inne ( jakie?) Liczba pkt ECTS Sposób realizacji zajęć zajęcia w formie tradycyjnej zajęcia realizowane z wykorzystaniem metod i technik kształcenia na odległość 1.4. Forma zaliczenia przedmiotu/ modułu ( z toku) EGZAMIN 2.WYMAGANIA WSTĘPNE Znajomość zagadnień z przedmiotu Analiza matematyczna: pojęcie metryki, właściwości funkcji jednej zmiennej Znajomość zagadnień z przedmiotów Elementy logiki i teorii mnogości oraz Algebra liniowa z geometrią: znajomość działań mnogościowych, własności działań w algebrze Boole a, przykład dwuwartościowej algebry Boole a Znajomość zagadnień z przedmiotu Matematyka dyskretna: grafy i drzewa Znajomość zagadnień z przedmiotu Algorytmy i struktury danych: algorytmy wyczerpujące (np. brutalnej siły) i heurystyczne (np. zachłanny) Znajomość zagadnień z przedmiotu Pakiety obliczeń matematycznych i inżynierskich: sprawna obsługa programu Ms Excel

2 3. CELE, EFEKTY KSZTAŁCENIA, TREŚCI PROGRAMOWE I STOSOWANE METODY DYDAKTYCZNE 3.1. Cele przedmiotu/modułu C1 Zapoznanie studentów z głównymi celami eksploracji danych, przykładami zastosowań, klasycznymi technikami i algorytmami eksploracji danych Wykształcenie u studentów rozumienia użyteczności eksploracji danych, potencjału aplikacyjnego C2 tkwiącego w różnych zbiorach danych oraz umiejętności stosowania poznanych algorytmów na potrzebę przeprowadzenia eksploracji niewielkich zbiorów danych; C3 Użycie programu Excel jako wsparcia dla wykonania czasochłonnych algorytmów eksploracyjnych 3.2 Efekty kształcenia dla przedmiotu/ Modułu ( wypełnia koordynator) EK ( efekt Treść efektu kształcenia zdefiniowanego dla przedmiotu (modułu) kształcenia) EK_ 01 EK_02 EK_03 EK_04 EK_05 EK_06 EK_07 Student zna nazewnictwo z zakresu eksploracji danych, genezę rozwoju tej gałęzi sztucznej inteligencji, podstawowe cele i przykłady praktycznego zastosowania eksploracji danych. Zna ograniczenia współczesnych metod eksploracji danych a także perspektywy jej rozwoju. Student zna klasyczne algorytmy (działające w oparciu o strategie wyczerpujące i heurystyczne) indukcji reguł decyzyjnych, drzew decyzyjnych, estymacji jakości klasyfikacji, grupowania danych, odkrywania zbiorów częstych. Student zna sposoby wstępnego przygotowania danych wejściowych do dalszej eksploracji. Student potrafi wstępnie przygotować dane do procesu eksploracji oraz scharakteryzować dane za pomocą parametrów statystycznych Student potrafi ręcznie indukować z danych wejściowych klasyfikatory regułowe, drzewiaste, stosuje klasyfikator leniwy wg algorytmów przedstawionych na wykładach. Poprawnie stosuje poznane techniki szacowania jakości klasyfikatorów. Student poprawnie stosuje poznane metody grupowania danych; wspiera się w swoich działaniach możliwościami programu Excel. Student potrafi wykrywać zbiory częste i asocjacje w systemach transakcyjnych Odniesienie do efektów kierunkowych (KEK) K_W04 K_W40 K_W12 K_W28 K_W12 K_W28 K_U04 EK_08 Student posługuje się wybranym narzędziem eksploracji danych EK_09 EK_10 Student zdaje sobie sprawę z nieustannego rozwoju metod i technik eksploracji danych, rozumie potrzebę śledzenia tych zmian. Student świadomie dobiera techniki eksploracji danych i potrafi wskazać racje przemawiające za dokonanym wyborem. K_K01 K_K06

3 3.3 Treści programowe (wypełnia koordynator) A. Problematyka wykładu Modele i zadania procesu KDD; system informacyjny jako format danych wejściowych Skale pomiarowe; spójność danych (ze względu na relację nierozróżnialności i dominacji) Techniki preprocessingu: redukcja obiektów, selekcja i ekstrakcja cech, dyskretyzacja, normalizacja, standaryzacja, przygotowanie danych niekompletnych Problem klasyfikacji: klasyfikator, metody i współczynniki służące szacowaniu jakości klasyfikatora; klasyfikatory drzewiaste, regułowe, leniwe (w tym konflikty klasyfikacyjne) Inne rodzaje klasyfikatorów: zespoły klasyfikatorów, metoda SVM, drzewa regresji Analiza skupień: przykładowe metody i algorytmy Odkrywanie asocjacji i zbiorów częstych Analiza szeregów czasowych: określanie trendu, odkrywanie wzorców czasowych i zależności między wzorcami czasowymi B. Problematyka zajęć laboratoryjnych Przyporządkowywanie zbiorów wartości cech do skal pomiarowych wyznaczanie parametrów statystycznych odpowiednich dla danej skali pomiarowej Wyznaczanie klas abstrakcji względem relacji nierozróżnialności; sprawdzanie spójności danych (ze względu na relację nierozróżnialności i dominacji) Redukcja obiektów w systemach informacyjnych z użyciem klas abstrakcji relacji nierozróżnialności, wyznaczanie różnych typów reduktów, badanie korelacji cech Dyskretyzacja danych metodami zachłannymi i wyczerpującymi (wnioskowanie boolowskie) Określanie jakości klasyfikatorów z użyciem macierzy pomyłek oraz współczynników: dokładność klasyfikacji, czułość testu, swoistość testu Klasyfikacja danych rzeczywistych metodą k-nn (w Excelu) Indukcja reguł decyzyjnych wg schematu wnioskowania boolowskiego oraz algorytmem LEM2; rozstrzyganie konfliktów klasyfikacyjnych Indukcja drzew decyzyjnych algorytmami ID3 i C4.5 Odkrywanie skupień algorytmami AGNES i k-średnich. Wykorzystanie programu Excel Odkrywanie zbiorów częstych algorytmem Apriori i indukcja reguł asocjacyjnych 3.4 Metody dydaktyczne Wykład: wykład z prezentacją multimedialną Laboratorium: dyskusja, tablicowe rozwiązywanie zadań oraz z użyciem narzędzi informatycznych

4 4. METODY I KRYTERIA OCENY 4.1 Sposoby weryfikacji efektów kształcenia Symbol Metody oceny efektów kształcenia efektu ( np.: kolokwium, egzamin ustny, egzamin pisemny, projekt, Forma zajęć dydaktycznych ( w, ćw lab) sprawozdanie, obserwacja w trakcie zajęć) EK_01 egzamin pisemny, obserwacja w trakcie zajęć Wykład, laboratoria EK_02 egzamin pisemny, obserwacja w trakcie zajęć Wykład, laboratoria EK_03 egzamin pisemny, obserwacja w trakcie zajęć Wykład, laboratoria EK_04 obserwacja w trakcie zajęć, kolokwium (ewentualnie egzamin) Laboratoria EK_05 obserwacja w trakcie zajęć, kolokwium (ewentualnie egzamin) Laboratoria EK_06 kolokwium Laboratoria EK_07 obserwacja w trakcie zajęć Laboratoria EK_08 obserwacja w trakcie zajęć Laboratoria EK_09 obserwacja w trakcie zajęć Laboratoria EK_10 obserwacja w trakcie zajęć Laboratoria 4.2 Warunki zaliczenia przedmiotu (kryteria oceniania) Wykład : zaliczenie bez oceny na podstawie obecności Zajęcia laboratoryjne : zaliczenie z oceną - na podstawie 2 kolokwiów i aktywności podczas zajęć. Na ocenę dostateczną należy zaliczyć wszystkie weryfikowane efekty na poziomie co najmniej 50% maksymalnej liczby punktów możliwych do zdobycia. Na ocenę dobrą należy zaliczyć wszystkie weryfikowane efekty przy średnim poziomie zaliczenia - co najmniej 70% maksymalnej liczby punktów możliwych do zdobycia. Na ocenę bardzo dobrą należy zaliczyć wszystkie weryfikowane efekty, przy średnim poziomie zaliczenia - co najmniej 90% maksymalnej liczby punktów możliwych do zdobycia. Zaliczenie zajęć : ocena z egzaminu uwzględniająca ocenę zaliczeniową z laboratoriów. Na egzaminie weryfikowane są efekty, niezweryfikowane podczas kolokwiów. Zasady ustalania oceny z egzaminu jak dla oceny z zajęć laboratoryjnych. 5. CAŁKOWITY NAKŁAD PRACY STUDENTA POTRZEBNY DO OSIĄGNIĘCIA ZAŁOŻONYCH EFEKTÓW W GODZINACH ORAZ PUNKTACH ECTS Aktywność Liczba godzin/ nakład pracy studenta godziny zajęć wg planu z nauczycielem 60 przygotowanie do zajęć 45 udział w konsultacjach 3 przygotowanie do egzaminu 15 udział w egzaminie 2 SUMA GODZIN 125 SUMARYCZNA LICZBA PUNKTÓW ECTS 5 6. PRAKTYKI ZAWODOWE W RAMACH PRZEDMIOTU / MODUŁU wymiar godzinowy - zasady i formy odbywania praktyk -

5 7. LITERATURA Literatura podstawowa: 1. Eksploracja danych : metody i algorytmy / Tadeusz Morzy. - Warszawa : Wydawnictwo Naukowe PWN, Systemy uczące się / Paweł Cichosz. - Warszawa : Wydawnictwa Naukowo-Techniczne, 2007 Literatura uzupełniająca: 1. Metody i narzędzia eksploracji danych / Stanisław Osowski. - Legionowo : Wydawnictwo BTC, Systemy uczące się : rozpoznawanie wzorców, analiza skupień i redukcja wymiarowości / Mirosław Krzyśko [i in.]. - Warszawa : Wydawnictwa Naukowo-Techniczne, Statystyka, ekonometria, prognozowanie : ćwiczenia z Excelem / Agnieszka Snarska. - Warszawa : "Placet", 2005 lub nowsze.