Model procesu dydaktycznego



Podobne dokumenty
zna metody matematyczne w zakresie niezbędnym do formalnego i ilościowego opisu, zrozumienia i modelowania problemów z różnych

S YLABUS MODUŁU (PRZEDMIOTU) I nformacje ogólne. Nie dotyczy

Opis zakładanych efektów kształcenia na studiach podyplomowych WIEDZA

KIERUNKOWE EFEKTY KSZTAŁCENIA

kod nr w planie ECTS Przedmiot studiów PODSTAWY STATYSTYKI 7 2

Nazwa przedmiotu: Informatyczne systemy statystycznej obróbki danych. Informatics systems for the statistical treatment of data Kierunek:

Rok akademicki: 2012/2013 Kod: JFM s Punkty ECTS: 3. Poziom studiów: Studia I stopnia Forma i tryb studiów: Stacjonarne

EFEKTY UCZENIA SIĘ DLA KIERUNKU INŻYNIERIA DANYCH W ODNIESIENIU DO EFEKTÓW UCZENIA SIĘ PRK POZIOM 6

WYKAZ KIERUNKOWYCH EFEKTÓW KSZTAŁCENIA KIERUNEK: MATEMATYKA, SPS WIEDZA

PODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE

Opis przedmiotu: Probabilistyka I

Statystyka SYLABUS A. Informacje ogólne

KARTA KURSU. Kod Punktacja ECTS* 1

Odniesienie symbol I [1] [2] [3] [4] [5] Efekt kształcenia

dr Jerzy Pusz, st. wykładowca, Wydział Matematyki i Nauk Informacyjnych Politechniki Warszawskiej B. Ogólna charakterystyka przedmiotu

S YLABUS MODUŁU (PRZEDMIOTU) I nformacje ogólne

STATYSTYKA MATEMATYCZNA

Wydział Matematyki. Testy zgodności. Wykład 03

Opis efektów kształcenia dla programu kształcenia (kierunkowe efekty kształcenia) WIEDZA. rozumie cywilizacyjne znaczenie matematyki i jej zastosowań

Opis przedmiotu. Karta przedmiotu - Probabilistyka I Katalog ECTS Politechniki Warszawskiej

01, 02, 03 i kolejne numer efektu kształcenia. Załącznik 1 i 2

WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI

Uczelnia Łazarskiego Wydział Medyczny Kierunek Lekarski

WPŁYW TECHNOLOGII INFORMACYJNYCH NA POZIOM KSZTAŁCENIA STUDENTÓW KIERUNKU INFORMATYKA

Kierunek i poziom studiów: matematyka, studia I stopnia, rok I. Sylabus modułu: Wstęp do matematyki (03-MO1S-12-WMat)

Krakowska Akademia im. Andrzeja Frycza Modrzewskiego. Karta przedmiotu. obowiązuje studentów, którzy rozpoczęli studia w roku akademickim 2012/2013

Spis treści. Księgarnia PWN: Bruce M. King, Edward W. Minium - Statystyka dla psychologów i pedagogów. Wstęp Wprowadzenie...

STATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE

Z-LOG-033I Statystyka Statistics

Z-0033z Statystyka. Zarządzanie i Inżynieria Produkcji I stopień Ogólnoakademicki. Stacjonarne Wszystkie Katedra Matematyki dr Zdzisław Piasta

Metodologia badań psychologicznych

15. PODSUMOWANIE ZAJĘĆ

Wprowadzenie do analizy korelacji i regresji

KARTA PRZEDMIOTU. Techniki przetwarzania sygnałów, D1_3

STUDIA PODYPLOMOWE. Zastosowania informatyki w finansach i rachunkowości. Podstawa prawna

studia stacjonarne w/ćw zajęcia zorganizowane: 30/15 3,0 praca własna studenta: 55 Godziny kontaktowe z nauczycielem akademickim: udział w wykładach

WYDZIAŁ BUDOWNICTWA LĄDOWEGO I WODNEGO

12. Przynależność do grupy przedmiotów: Blok przedmiotów matematycznych

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych

Liczba godzin Punkty ECTS Sposób zaliczenia. ćwiczenia 30 zaliczenie z oceną

Przykład 2. Na podstawie książki J. Kowal: Metody statystyczne w badaniach sondażowych rynku

Analiza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817

Analiza współzależności zjawisk. dr Marta Kuc-Czarnecka

STATYSTYKA I DOŚWIADCZALNICTWO Wykład 8

Efekty kształcenia dla kierunku studiów CHEMIA studia pierwszego stopnia profil ogólnoakademicki

PRZEWODNIK PO PRZEDMIOCIE

Z-ZIPN1-004 Statystyka. Zarządzanie i Inżynieria Produkcji I stopień Ogólnoakademicki Niestacjonarne Wszystkie Katedra Matematyki dr Zdzisław Piasta

166 Wstęp do statystyki matematycznej

Z-LOGN1-006 Statystyka Statistics

Rok akademicki: 2030/2031 Kod: ZZP MK-n Punkty ECTS: 3. Poziom studiów: Studia II stopnia Forma i tryb studiów: Niestacjonarne

Hurtownie danych i business intelligence. Plan na dziś : Wprowadzenie do przedmiotu

KARTA PRZEDMIOTU / SYLABUS

KARTA KURSU. Probability theory

EFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW NAUCZANIE MATEMATYKI I INFORMATYKI

Zadanie 1. Za pomocą analizy rzetelności skali i wspólczynnika Alfa- Cronbacha ustalić, czy pytania ankiety stanowią jednorodny zbiór.

KIERUNKOWE EFEKTY KSZTAŁCENIA

Testowanie hipotez statystycznych

Odniesienie do efektów kształcenia dla obszaru nauk EFEKTY KSZTAŁCENIA Symbol

PRZEWODNIK PO PRZEDMIOCIE

Własności statystyczne regresji liniowej. Wykład 4

MATEMATYKA3 Mathematics3. Elektrotechnika. I stopień ogólnoakademicki. studia stacjonarne. Katedra Matematyki dr Zdzisław Piasta

KARTA KURSU. (do zastosowania w roku ak. 2015/16) Kod Punktacja ECTS* 4

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16

Podstawy fizyki: Budowa materii. Podstawy fizyki: Mechanika MS. Podstawy fizyki: Mechanika MT. Podstawy astronomii. Analiza matematyczna I, II MT

Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotn. istotności, p-wartość i moc testu

PROGRAM KSZTAŁCENIA NA KIERUNKU STUDIÓW WYŻSZYCH

Opis efektów kształcenia dla modułu zajęć

Podsumowanie wyników ankiety

Kierunkowe efekty kształcenia (wiedza, umiejętności, kompetencje) Kierunek Informatyka

Liczba godzin Punkty ECTS Sposób zaliczenia. ćwiczenia 16 zaliczenie z oceną

EFEKTY KSZTAŁCENIA NA STUDIACH PODYPLOMOWYCH NAUCZANIE PRZYRODY W SZKOLE PODSTAWOWEJ

EFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW NAUCZANIE MATEMATYKI I INFORMATYKI

zna podstawową terminologię w języku obcym umożliwiającą komunikację w środowisku zawodowym

STATYSTYKA MATEMATYCZNA

Statystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r

ANALITYKA GOSPODARCZA, STUDIA MAGISTERSKIE WIEDZA

Uniwersytet Śląski w Katowicach str. 1 Wydział Informatyki i Nauki o Materiałach

KARTA PRZEDMIOTU / SYLABUS. Zakład Statystyki i Informatyki Medycznej. tel./fax (85) dr Robert Milewski

Wykład 3 Hipotezy statystyczne

1.1.1 Statystyka matematyczna i badania operacyjne

Karta modułu/przedmiotu

HURTOWNIE DANYCH I BUSINESS INTELLIGENCE

Inżynieria Środowiska. II stopień ogólnoakademicki. przedmiot podstawowy obowiązkowy polski drugi. semestr zimowy

Testowanie hipotez statystycznych

Efekty kształcenia dla kierunku studiów INFORMATYKA, Absolwent studiów I stopnia kierunku Informatyka WIEDZA

Matryca efektów kształcenia zorientowana kierunkowo - Załącznik nr 3a

ZAŁĄCZNIK NR 2 Uchwała Rady Wydziału Elektrotechniki i Informatyki Politechniki Lubelskiej z dnia 3 czerwca 2013 r

Krakowska Akademia im. Andrzeja Frycza Modrzewskiego. Karta przedmiotu. obowiązuje studentów, którzy rozpoczęli studia w roku akademickim 2012/2013

PAŃSTWOWA WYŻSZA SZKOŁA ZAWODOWA W NYSIE

laboratoria 24 zaliczenie z oceną

OCENA KIERUNKOWYCH EFEKTÓW KSZTAŁCENIA

PROGRAM KSZTAŁCENIA NA STUDIACH III STOPNIA Informatyka (nazwa kierunku)

Wykład Ćwiczenia Laboratorium Projekt Seminarium 30

Załącznik do Uchwały Nr XXXVIII/326/11/12. Wydział: AUTOMATYKI, ELEKTRONIKI I INFORMATYKI WIEDZA

Doświadczalnictwo leśne. Wydział Leśny SGGW Studia II stopnia

PRZEDMIOTOWE OCENIANIE Z MATEMATYKI

KARTA PRZEDMIOTU / SYLABUS Wydział Nauk o Zdrowiu Zdrowie Publiczne ogólnoakademicki praktyczny inny jaki. Zakład Statystyki i Informatyki Medycznej

KARTA PRZEDMIOTU. 1. NAZWA PRZEDMIOTU: Algebra liniowa (ALL010) 2. KIERUNEK: MATEMATYKA. 3. POZIOM STUDIÓW: I stopnia 4. ROK/ SEMESTR STUDIÓW: I/1

Sylabus. Zaawansowana analiza danych eksperymentalnych (Advanced statistical analysis of experimental data)

1.1. PODSTAWOWE INFORMACJE O PRZEDMIOCIE/MODULE

Transkrypt:

Model procesu dydaktycznego w zakresie Business Intelligence Zenon Gniazdowski 1,2), Andrzej Ptasznik 1) 1) Warszawska Wyższa Szkoła Informatyki, ul. Lewartowskiego 17, Warszawa 2) Instytut Technologii Elektronowej, Al. Lotników 32/46, Warszawa

Plan: Model procesu dydaktycznego w zakresie Business Intelligence Problemy w nauczaniu Eksploracji Danych Co to jest Business Intelligence Miejsce Eksploracji Danych w BI, co to jest Eksploracja Danych Cel nauczania Eksploracji Danych w ramach BI Nieufność jako cel? Przykłady» Kwartet Anscomba przykład teoretyczny» Wnioski z pewnych badań przykład realny Problem komunikacji między uczestnikami procesu BI

Polskie tłumaczenie Analityka biznesowa, Analiza biznesowa, Wywiad gospodarczy?»jeśli rzecz dotyczy firmy obcej, to czemu by nie?

Treść Business Intelligence można przedstawić jako proces przekształcania danych w informacje, a informacji w wiedzę, która może być wykorzystana do zwiększenia konkurencyjności przedsiębiorstwa 3). 3) http://pl.wikipedia.org/wiki/business_intelligence, http://www.controlling.teta.com.pl/business-intelligence, http://www.statsoft.pl/industries/business-intelligence.html

Miejsce Eksploracji Danych w BI 4) Wiedza pozyskiwana w procesie BI jest zorientowana na końcowego użytkownika (np. właściciela firmy, analityka opracowujący informacje, itp..) Źródłem informacji będących podstawą wiedzy w procesie BI jest Eksploracja Danych (DM). Eksploracja danych jest technologią informatyczną, będącą połączeniem m.in. statystyki oraz technologii baz danych, itp..» Przez odpowiednie algorytmy pozwala wykrywać ukryte wzorce i zależności. Informacje Eksploracja danych (DM) Dane Baza (hurtownia) danych Wiedza Business Intelligence (BI) 4) R. Łukawiecki. Wstęp do eksploracji danych. Project Botticelli Ltd.

Cel nauczania Eksploracji Danych w kontekście procesu Business intelligence: Umiejętność korzystania z metod i narzędzi Eksploracji Danych Umiejętność interpretacji otrzymywanych rezultatów Nieufność względem otrzymanych wyników

Niezbędne podstawy matematyczne Np.. Matematyka dyskretna Pojęcie relacji jako podzbioru iloczynu kartezjańskiego leży u podstaw relacyjnych baz danych Typ relacji konstytuuje rodzaj skali pomiarowej Rodzaj skali determinuje metody analizy danych Mocniejsza skala często prostsze metody statystyczne Słabsza skala metody trudniejsze» Różne skale różne typy danych różne metody

Niezbędne podstawy matematyczne Matematyka dyskretna Typ relacji konstytuuje rodzaj skali pomiarowej Relacja równoważności definiuje skalę nominalną (dane skategoryzowane) Dwa elementy w zbiorze danych są równe, albo różne, należą (bądź nie należą) do wspólnej klasy abstrakcji. Między danymi nie ma mowy o relacji większe lub mniejsze

Niezbędne podstawy matematyczne Matematyka dyskretna Typ relacji konstytuuje rodzaj skali pomiarowej Relacja równoważności definiuje skalę nominalną (dane skategoryzowane) Dane można przydzielać do różnych klas, badać asocjacje pomiędzy klasami itp.. W najprostszym przypadku, do badania zależności pomiędzy klasami równoważności można stosować test Chi kwadrat. Przykład:» Czy zachodzi związek pomiędzy klasą kabiny na którą miał bilet pasażer Titanica, a przeżyciem przezeń katastrofy

Niezbędne podstawy matematyczne Matematyka dyskretna Typ relacji konstytuuje rodzaj skali pomiarowej Relacja porządku częściowego definiuje skalę porządkową W ramach pewnych podzbiorów można dane porównywać w sensie relacji > lub < Do badania związków można stosować silniejsze testy niż w przypadku danych skategoryzowanych (nominalnych)

Niezbędne podstawy matematyczne Matematyka dyskretna Typ relacji konstytuuje rodzaj skali pomiarowej Relacja porządku liniowego zachodzi dla danych mierzonych w skalach interwałowej lub ilorazowej. Tutaj każde dwa elementy można porównywać w sensie relacji >, >= <, <= Na danych można wykonywać operacje + lub - (dla skali ilorazowej także * lub / )» Stosowane metody mogą być bardzo silne można badać poziom zależności korelacyjnych, budować analityczne modele związków pomiędzy zmiennymi

Niezbędne podstawy matematyczne Np. Rachunek prawdopodobieństwa i statystyka matematyczna Fundamentalne jest pojęcie prawdopodobieństwa Brak świadomości, że pewne zjawiska mają charakter zjawisk losowych Stąd mogą istnieć trudności natury psychologicznej

Niezbędne podstawy matematyczne Np. Rachunek prawdopodobieństwa i statystyka matematyczna Ważne jest rozróżnianie pomiędzy zależnością przyczynową i korelacyjną. Przykład: Zależność pomiędzy liczbą bocianów, a liczbą urodzeń w Sztokholmie w XIX w. : Dla 73 lat obserwacji uzyskano współczynnik korelacji R>0.9

Niezbędne podstawy matematyczne Rachunek prawdopodobieństwa i statystyka matematyczna Problemem jest wnioskowanie statystyczne logika testów statystycznych np. odrzucanie hipotezy zerowej» itp.

Cel nauczania Eksploracji Danych cd.: Do tej pory była mowa o osiąganiu celów w aspekcie pozytywnym, czyli: Co zrobić, aby cel osiągnąć? Teraz o pożądanej nieufności względem otrzymanych wyników Czy nieufność może być celem? Na potwierdzenie przykład teoretyczny:» kwartet Anscomba

.V..X.

k

Cel nauczania Eksploracji Danych cd.: Pierwszy wniosek: Wobec uzyskanych wyników trzeba co najmniej nabrać dystansu. W pokazanym przykładzie nieufność byłaby uzasadniona Dlatego właśnie, celem kształcenia w dziedzinie eksploracji danych powinno być także wpojenie szczypty nieufności!

Cel nauczania Eksploracji Danych cd.: Czego nie robić, aby nie osiągnąć celu niepożądanego (z punktu widzenia zleceniodawcy analizy) Przykład mało efektowny, ale realny

Kontekst: badania naukowe w pewnej instytucji (pierwsza połowa lat dziewięćdziesiątych XX wieku) Pytania medyczne Związki statystyczne prawie się nie ujawniały Pytania socjologiczne Zapewne mniej istotne z punktu widzenia medycznego

Problem komunikacji Specjalista od eksploracji danych pracuje na rzecz końcowego odbiorcy informacji Jeżeli ten odbiorca nie jest specjalistą od DM, może się okazać, że obydwaj posługują się innym językiem. Przykład: Zleceniodawca (lekarz) zażyczył sobie analizy czynnikowej Wykonawca zrozumiał, że ma rozwiązać problem znany jako przekleństwo wielowymiarowości

Problem komunikacji Wykonawca napisał program do analizy czynnikowej. W tym celu musiał zaimplementować złożony algorytm rozwiązujący symetryczny problem własny Odbiorca z uporem twierdził, że to nie jest analiza czynnikowa

Problem komunikacji Po kilku bezowocnych spotkaniach do rozmów zaproszono matematyka, który przez lata współpracował z lekarzami Okazało się, że odbiorca analiz potrzebował Okazało się, że odbiorca analiz potrzebował rozwiązać problem powtarzalnych pomiarów

Podsumowanie Problemy pozytywne: Co robić? Nie unikać studiowania matematyki Problemy negatywne Jak nie postępować, albo czego nie robić? Nie wyciągać pochopnych wniosków Nie badać tego, o co nas nie proszą?

Podsumowanie Na koniec dobra rada: Jeżeli przypuszczasz, że Zleceniodawca wyników analiz może mówić językiem innym niż Ty, postaraj się zaprosić do rozmowy z Nim kogoś kto zna zarówno język Zleceniodawcy, jak i język DM