Rok akademicki: 2017/2018 Kod: JIS AD-s Punkty ECTS: 5. Kierunek: Informatyka Stosowana Specjalność: Modelowanie i analiza danych

Transkrypt

1 Nazwa modułu: Eksploracja danych Rok akademicki: 2017/2018 Kod: JIS AD-s Punkty ECTS: 5 Wydział: Fizyki i Informatyki Stosowanej Kierunek: Informatyka Stosowana Specjalność: Modelowanie i analiza danych Poziom studiów: Studia II stopnia Forma i tryb studiów: Stacjonarne Język wykładowy: Polski Profil kształcenia: Ogólnoakademicki (A) Semestr: 2 Strona www: Osoba odpowiedzialna: prof. dr hab. inż. Kulczycki Piotr (kulczycki@agh.edu.pl) Osoby prowadzące: prof. dr hab. inż. Kulczycki Piotr (kulczycki@agh.edu.pl) dr inż. Łukasik Szymon (slukasik@agh.edu.pl) Krótka charakterystyka modułu Tematyka obejmuje współczesne metody pozyskiwania wiedzy z Szczegółowo rozważane są procedury wykrywania elementów nietypowych (odosobnionych), grupowania (klasteryzacji) i klasyfikacji. Opis efektów kształcenia dla modułu zajęć Kod EKM Student, który zaliczył moduł zajęć wie/umie/potrafi Powiązania z EKK Sposób weryfikacji efektów kształcenia (forma zaliczeń) Wiedza M_W001 Poszerzenie wiedzy z zakresu statystyki matematycznej. IS2A_W01 M_W002 Istota i uwarunkowania procesu pozyskiwania wiedzy z IS2A_W04 M_W003 Znajomość procedur analizy i eksploracji IS2A_W03, IS2A_W02 Umiejętności M_U001 Stosowanie procedur analizy i eksploracji IS2A_U05 M_U002 Wykorzystanie procedur eksploracji danych do praktycznych zagadnień pozyskiwania wiedzy z IS2A_U07, IS2A_U03, IS2A_U04 1 / 5

2 M_U003 Pozyskiwanie informacji ze źródeł różnego typu oraz prezentacja zagadnienia badawczego i uzyskanych wyników. IS2A_U02, IS2A_U01, IS2A_U21 Kompetencje społeczne M_K001 Praca zespołowa. IS2A_K03, IS2A_K02 Aktywność na zajęciach M_K002 Profesjonalność i etyka. IS2A_K05, IS2A_K07, IS2A_K06 Aktywność na zajęciach M_K003 Konieczność ustawicznego samokształcenia. IS2A_K01 Aktywność na zajęciach Matryca efektów kształcenia w odniesieniu do form zajęć Kod EKM Student, który zaliczył moduł zajęć wie/umie/potrafi Forma zajęć Wykład audytoryjne laboratoryjne projektowe Konwersatori um seminaryjne praktyczne terenowe warsztatowe Inne E-learning Wiedza M_W001 M_W002 M_W003 Umiejętności M_U001 M_U002 M_U003 Poszerzenie wiedzy z zakresu statystyki matematycznej. Istota i uwarunkowania procesu pozyskiwania wiedzy z Znajomość procedur analizy i eksploracji Stosowanie procedur analizy i eksploracji Wykorzystanie procedur eksploracji danych do praktycznych zagadnień pozyskiwania wiedzy z Pozyskiwanie informacji ze źródeł różnego typu oraz prezentacja zagadnienia badawczego i uzyskanych wyników Kompetencje społeczne M_K001 Praca zespołowa M_K002 Profesjonalność i etyka M_K003 Konieczność ustawicznego samokształcenia / 5

3 Treść modułu zajęć (program wykładów i pozostałych zajęć) Wykład Wprowadzenie Przedmiot analizy i eksploracji danych; pozyskiwanie wiedzy z Związek analizy danych ze statystyką matematyczną. Główne fazy procesu eksploracji Preliminaria matematyczne Repetytorium podstawowych pojęć probablistyki. Statystyczne estymatory jądrowe. Pojęcia wstępne Typy Miary podobieństwa. Wstępne przetwarzanie danych: czyszczenie, obsługa brakujących atrybutów, standaryzacja. Wykrywanie elementów odosobnionych (nietypowych) Nieparametryczny test istotności. Elementy oddalone. Grupowanie (klasteryzacja) Procedury częstotliwościowe. Algorytmy k-średnich i k-medoidów. Metody hierarchiczne. Klasyfikacja Ujęcie bayesowskie. Algorytm k-najbliższych sąsiadów. Drzewa decyzyjne. Zastosowania Przykładowe aplikacje w zagadnieniach wykrywania uszkodzeń w systemach dynamicznych, a także wyznaczenia strategii marketingowej operatora telefonii komórkowej. Ewaluacja procesu eksploracji Tematy opcjonalne Redukcja wymiaru Duże (liczne) zbiory Strumienie Reguły asocjacyjne. laboratoryjne Laboratorium wprowadzające. Wykrywanie elementów odosobnionych (nietypowych). Grupowanie (klasteryzacja). Klasyfikacja. Procedury analizy danych w Internecie. Temat opcjonalny: redukcja wymiaru zaliczeniowe. projektowe 3 / 5

4 Projekt Opracowanie zagadnień zgodnych z tematyką wykładu, według indywidualnych ustaleń. Sprawdzian wiadomości z przedmiotu. Sposób obliczania oceny końcowej Ocena ustalana jest na podstawie ocen z laboratorium i projektu (ze szczególnym uwzględnieniem znajomości całości materiału przedmiotu). Wymagania wstępne i dodatkowe Wiedza z zakresu matematyki na poziomie nabytym na studiach I stopnia, zwłaszcza z zakresu statystyki matematycznej. Umiejętność użytkowania sprzętu komputerowego. Zalecana literatura i pomoce naukowe Larose D.T., Odkrywanie wiedzy z danych; wprowadzenie do eksploracji danych, PWN, Larose D.T., Odkrywanie wiedzy z danych; metody i modele eksploracji danych, PWN, Krzyśko M., Wołyński W., Górecki T., Skorzybut M., Systemy uczące się; rozpoznawanie wzorców, analiza skupień i redukcja wymiarowości, WNT, Kulczycki P., Estymatory jądrowe w analizie systemowej, WNT, Literatura uzupełniająca: Kulczycki P., Hryniewicz O., Kacprzyk J. (red.), Techniki informacyjne w badaniach systemowych, WNT, Morzy T., Eksploracja danych; Metody i algorytmy, PWN, Hand D., Mannila H., Smyth P., Eksploracja danych, WNT, Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu - Książka: 1. P. Kulczycki, Estymatory jądrowe w analizie systemowej, WNT, Warszawa, Wybrane publikacje w czasopismach z listy JCR: 1. P. Kulczycki, P.A. Kowalski, Bayes classification of imprecise information of interval type, Control and Cybernetics, vol. 40, nr 1, ss , P. Kulczycki, M. Charytanowicz, P.A. Kowalski, S. Łukasik, The Complete Gradient Clustering Algorithm: Properties in Practical Applications, Journal of Applied Statistics, vol. 39, nr 6, ss , P. Kulczycki, S. Łukasik, An Algorithm for Reducing Dimension and Size of Sample for Data Exploration Procedures, International Journal of Applied Mathematics and Computer Science, vol. 24, nr 1, ss , P. Kulczycki, P.A. Kowalski, Bayes Classification for Nonstationary Patterns, International Journal of Computational Methods, vol. 12, nr 2, ID (19 stron), P. Kulczycki, D. Kruszewski, Identification of Atypical Elements by Transforming Task to Supervised Form with Fuzzy and Intuitionistic Fuzzy Evaluations, Applied Soft Computing, vol. 60, ss , P. Kulczycki, M. Charytanowicz, P.A. Kowalski, S. Łukasik, Identification of Atypical (Rare) Elements A Conditional, Distribution-Free Approach, IMA Journal of Mathematical Control and Information, w druku, Informacje dodatkowe Nieobecności (także usprawiedliwione) na zajęciach z laboratorium wymagają odrobienia w formie i terminie uzgodnionych z prowadzącym. Połowa zajęć nieusprawiedliwionych skutkuje brakiem zaliczenia. 4 / 5

5 Nakład pracy studenta (bilans punktów ECTS) Forma aktywności studenta Udział w wykładach Udział w ćwiczeniach laboratoryjnych Udział w ćwiczeniach projektowych Przygotowanie do zajęć Samodzielne studiowanie tematyki zajęć Przygotowanie sprawozdania, pracy pisemnej, prezentacji, itp. Wykonanie projektu Sumaryczne obciążenie pracą studenta Punkty ECTS za moduł Obciążenie studenta 30 godz 22 godz 20 godz 25 godz 142 godz 5 ECTS 5 / 5