Metody eksploracji danych
Informacje ogólne
Kod przedmiotu: | 1100-ED0ISH |
Kod Erasmus / ISCED: | (brak danych) / (brak danych) |
Nazwa przedmiotu: | Metody eksploracji danych |
Jednostka: | Wydział Matematyki i Informatyki |
Grupy: | |
Punkty ECTS i inne: |
0 LUB
5.00
(w zależności od programu)
|
Język prowadzenia: | polski |
Forma zaliczenia: | egzamin |
Forma studiów: | stacjonarne |
Skrócony opis: |
Celem przedmiotu jest zaznajomienie studentów z podstawowymi technikami wykorzystywanymi w eksploracji danych. Omawiane będą metody uczenia nadzorowanego i nienadzorowanego oraz zasady przygotowania danych do analizy. |
Efekty uczenia się: |
Po zakończeniu przedmiotu student: E1. Omawia stosowane metody uczenia maszynowego. E2. Zna etapy procesu przetwarzania danych w uczeniu nadzorowanym i nienadzorowanym. E3. Potrafi implementować wybrane metody eksploracji danych w języku programowania. E4. Stosuje wybraną metodę uczenia maszynowego do zbioru danych. E5. Przygotowuje zbiór danych do analizy. E6. Interpretuje uzyskane wyniki. |
Zajęcia w cyklu "Semestr zimowy 2023/2024" (zakończony)
Okres: | 2023-10-01 - 2024-02-25 |
Przejdź do planu
PN WT ŚR W
LI
CZ LI
PT |
Typ zajęć: |
Ćwiczenia informatyczne, 28 godzin
Wykład, 28 godzin
|
|
Koordynatorzy: | Monika Bartkiewicz | |
Prowadzący grup: | Monika Bartkiewicz | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Ocena zgodna z regulaminem studiów
Ćwiczenia informatyczne - Ocena zgodna z regulaminem studiów Wykład - Ocena zgodna z regulaminem studiów |
|
Czy kurs na PZK?: | T |
|
Informacje dodatkowe: | Przewidywany czas pracy własnej (w godzinach lekcyjnych): - przygotowanie do zajęć (praca bieżąca): 56 - przygotowanie do zaliczenia: 28 Student/ka weryfikuje efekty pracy własnej z Prowadzącym/ą zajęcia. |
|
Metody dydaktyczne: | wykład, pogadanka, ćwiczenia praktyczne, metoda projektu, ćwiczenia praktyczne |
|
Sposoby i kryteria oceniania: | Ćwiczenia: Do wyliczania oceny uwzględniana jest suma punktów z trzech kartkówek oraz projektu indywidualnego. Do uzyskania oceny pozytywnej, wymagane jest zliczenie wszystkich kartkówek. Ćwiczenia pozwalają zweryfikować efekty E3, E4, E5 i E6. Wykład: Wykład kończy się egzaminem testowym weryfikującym efekty E1, E2, E6. Oceną z wykładu jest ocena z egzaminu testowego. Ocena końcowa: Oceną końcową(ogólną) jest ocena z egzaminu. • W przypadku uzyskania oceny bardzo dobrej z ćwiczeń, ocena końcowa może być podniesiona o jedną oceny. • W przypadku uzyskania oceny dobry plus lub dobry z ćwiczeń, ocena końcowa może być podniesiona o pół oceny. • W przypadku uzyskania 75% punktów z krótkich aktywności na zajęciach, ocena końcowa może być podniesiona o połowę oceny. Skala ocen: 91%-100%: 5; 81%-90%: 4+; 71%-80%: 4; 61%-70%: 3+; 51%-60%: 3 |
|
Metody weryfikacji i oceny stopnia osiągnięcia założonych efektów uczenia się: | kartkówka, projekty indywidualne, test końcowy |
|
Treści kształcenia: | 1. Metodyka CRISP-DM. 2. Przygotowanie i przetwarzanie danych do analizy (m.in. braki danych, punkty odstające, transformacje danych). 3. Analiza asocjacji, reguły negatywne. 4. Metody grupowania. 5. Metody uczenia nadzorowanego (kNN, naiwny Bayes, drzewa decyzyjne, SVM, sieci neuronowe). 6. Klasyfikatory zespołowe (las losowy, boosting, metody gradientowe). 7. Różne metody oceny wydajności modeli. |
|
Literatura: |
[1] Larose, Daniel T. Odkrywanie wiedzy z danych: wprowadzenie do eksploracji danych. Warszawa: Wydawnictwo Naukowe PWN, 2006. [2] Larose, Daniel T. Metody i modele eksploracji danych. Warszawa: Wydawnictwo Naukowe PWN, 2008. [3] Han Jiawei, Kamber Micheline, Data Mining: Concepts and Techniques. Elsevier, 2006. [4] Pang-Ning Tan, Steinbach Michael, Vipin Kumar, Introduction to Data Mining, Pearson, 2014 [5] G.James, D.Witten, T.Hastie, R.Tibshirani. An Introduction to Statistical Learning. New York: Springer, 2013. [6] Lantz, Brett Machine learning with R, Packt PublishingPackt, 2015. |
Zajęcia w cyklu "Semestr zimowy 2022/2023" (zakończony)
Okres: | 2022-10-01 - 2023-02-19 |
Przejdź do planu
PN LI
WT ŚR LI
LI
LI
W
LI
CZ LI
LI
PT |
Typ zajęć: |
Ćwiczenia informatyczne, 28 godzin
Wykład, 28 godzin
|
|
Koordynatorzy: | Monika Bartkiewicz | |
Prowadzący grup: | Monika Bartkiewicz | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Ocena zgodna z regulaminem studiów
Ćwiczenia informatyczne - Ocena zgodna z regulaminem studiów Wykład - Ocena zgodna z regulaminem studiów |
|
Informacje dodatkowe: | Przewidywany czas pracy własnej (w godzinach lekcyjnych): - przygotowanie do zajęć (praca bieżąca): 56 - przygotowanie do zaliczenia: 28 Student/ka weryfikuje efekty pracy własnej z Prowadzącym/ą zajęcia. |
|
Metody dydaktyczne: | wykład, pogadanka, ćwiczenia praktyczne, metoda projektu, ćwiczenia praktyczne |
|
Sposoby i kryteria oceniania: | Ćwiczenia: Ocena z ćwiczeń jest ustalana na podstawie poniższej skali. Do wyliczania oceny uwzględniana jest suma punktów z dwóch kartkówek oraz projektów indywidualnych. Do uzyskania oceny pozytywnej, wymagane jest zliczenie obu kartkówek. Ćwiczenia pozwalają zweryfikować efekty E3, E4, E5 i E6. Wykład: Wykład kończy się egzaminem testowym weryfikującym efekty E1, E2, E6. Oceną z wykładu jest ocena z egzaminu testowego. Ocena końcowa: Oceną końcową(ogólną) jest ocena z egzaminu. • W przypadku uzyskania oceny bardzo dobrej z ćwiczeń, ocena końcowa może być podniesiona o jedną oceny. • W przypadku uzyskania oceny dobry plus lub dobry z ćwiczeń, ocena końcowa może być podniesiona o pół oceny. • W przypadku uzyskania 75% punktów z krótkich aktywności na zajęciach, ocena końcowa może być podniesiona o połowę oceny. Skala ocen: 91%-100%: 5; 81%-90%: 4+; 71%-80%: 4; 61%-70%: 3+; 51%-60%: 3 |
|
Metody weryfikacji i oceny stopnia osiągnięcia założonych efektów uczenia się: | kartkówka, projekty indywidualne, test końcowy |
|
Treści kształcenia: | 1. Metodyka CRISP-DM. 2. Przygotowanie i przetwarzanie danych do analizy (m.in. braki danych, punkty odstające, transformacje danych). 3. Analiza asocjacji, reguły negatywne. 4. Metody grupowania. 5. Metody uczenia nadzorowanego (kNN, naiwny Bayes, drzewa decyzyjne, SVM, sieci neuronowe). 6. Klasyfikatory zespołowe (las losowy, boosting, metody gradientowe). 7. Różne metody oceny wydajności modeli. |
|
Literatura: |
[1] Larose, Daniel T. Odkrywanie wiedzy z danych: wprowadzenie do eksploracji danych. Warszawa: Wydawnictwo Naukowe PWN, 2006. [2] Larose, Daniel T. Metody i modele eksploracji danych. Warszawa: Wydawnictwo Naukowe PWN, 2008. [3] Han Jiawei, Kamber Micheline, Data Mining: Concepts and Techniques. Elsevier, 2006. [4] Pang-Ning Tan, Steinbach Michael, Vipin Kumar, Introduction to Data Mining, Pearson, 2014 [5] G.James, D.Witten, T.Hastie, R.Tibshirani. An Introduction to Statistical Learning. New York: Springer, 2013. [6] Lantz, Brett Machine learning with R, Packt PublishingPackt, 2015. |
Zajęcia w cyklu "Semestr zimowy 2021/2022" (zakończony)
Okres: | 2021-10-01 - 2022-01-23 |
Przejdź do planu
PN W
WT ŚR LI
LI
CZ LI
LI
LI
PT |
Typ zajęć: |
Ćwiczenia informatyczne, 28 godzin
Wykład, 28 godzin
|
|
Koordynatorzy: | Monika Bartkiewicz | |
Prowadzący grup: | Monika Bartkiewicz | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Ocena zgodna z regulaminem studiów
Ćwiczenia informatyczne - Ocena zgodna z regulaminem studiów Wykład - Ocena zgodna z regulaminem studiów |
|
Informacje dodatkowe: | Przewidywany czas pracy własnej (w godzinach lekcyjnych): - przygotowanie do zajęć (praca bieżąca): 56 - przygotowanie do zaliczenia: 28 Student/ka weryfikuje efekty pracy własnej z Prowadzącym/ą zajęcia. |
|
Metody dydaktyczne: | wykład, pogadanka, ćwiczenia praktyczne, metoda projektu, ćwiczenia praktyczne |
|
Sposoby i kryteria oceniania: | Ćwiczenia: Ocena z ćwiczeń jest ustalana na podstawie poniższej skali. Do wyliczania oceny uwzględniana jest suma punktów z dwóch kartkówek oraz projektów indywidualnych. Do uzyskania oceny pozytywnej, wymagane jest zliczenie obu kartkówek. Ćwiczenia pozwalają zweryfikować efekty E3, E4, E5 i E6. Wykład: Wykład kończy się egzaminem testowym weryfikującym efekty E1, E2, E6. Oceną z wykładu jest ocena z egzaminu testowego. Ocena końcowa: Oceną końcową(ogólną) jest ocena z egzaminu. • W przypadku uzyskania oceny bardzo dobrej z ćwiczeń, ocena końcowa może być podniesiona o jedną oceny. • W przypadku uzyskania oceny dobry plus lub dobry z ćwiczeń, ocena końcowa może być podniesiona o pół oceny. • W przypadku uzyskania 75% punktów z krótkich aktywności na zajęciach, ocena końcowa może być podniesiona o połowę oceny. Skala ocen: 91%-100%: 5; 81%-90%: 4+; 71%-80%: 4; 61%-70%: 3+; 51%-60%: 3 |
|
Treści kształcenia: | 1. Metodyka CRISP-DM. 2. Przygotowanie i przetwarzanie danych do analizy (m.in. braki danych, punkty odstające, transformacje danych). 3. Analiza asocjacji, reguły negatywne. 4. Metody grupowania. 5. Metody uczenia nadzorowanego (kNN, naiwny Bayes, drzewa decyzyjne, SVM, sieci neuronowe). 6. Klasyfikatory zespołowe (las losowy, boosting, metody gradientowe). 7. Różne metody oceny wydajności modeli. |
|
Literatura: |
[1] Larose, Daniel T. Odkrywanie wiedzy z danych: wprowadzenie do eksploracji danych. Warszawa: Wydawnictwo Naukowe PWN, 2006. [2] Larose, Daniel T. Metody i modele eksploracji danych. Warszawa: Wydawnictwo Naukowe PWN, 2008. [3] Han Jiawei, Kamber Micheline, Data Mining: Concepts and Techniques. Elsevier, 2006. [4] Pang-Ning Tan, Steinbach Michael, Vipin Kumar, Introduction to Data Mining, Pearson, 2014 [5] G.James, D.Witten, T.Hastie, R.Tibshirani. An Introduction to Statistical Learning. New York: Springer, 2013. [6] Lantz, Brett Machine learning with R, Packt PublishingPackt, 2015. |
Zajęcia w cyklu "Semestr zimowy 2020/2021" (zakończony)
Okres: | 2020-10-01 - 2021-02-07 |
Przejdź do planu
PN WT ŚR LI
CZ W
PT |
Typ zajęć: |
Ćwiczenia informatyczne, 28 godzin
Wykład, 28 godzin
|
|
Koordynatorzy: | Monika Bartkiewicz | |
Prowadzący grup: | Monika Bartkiewicz | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Ocena zgodna z regulaminem studiów
Ćwiczenia informatyczne - Ocena zgodna z regulaminem studiów Wykład - Ocena zgodna z regulaminem studiów |
|
Metody dydaktyczne: | klasyczna metoda problemowa, metoda projektu |
|
Sposoby i kryteria oceniania: | Ocena z ćwiczeń zależy od liczby wykonanych projektów w ramach zajęć (EK1-EK6) maksymalna liczba punktów do zdobycia - 100. Na 5 i 10 ćwiczeniach obowiązkowa kartkówka. Do zaliczenia ćwiczeń wymagane jest 50 punktów oraz zaliczone obie kartkówki. Obecność na ćwiczeniach jest obowiązkowa. Dozwolone są dwie nieobecności nieusprawiedliwione. Za obecność na wszystkich zajęciach można uzyskać 5 punktów. Ocena z wykładu, to ocena z egzaminu. Ocena końcowa to ocena z wykładu. Do oceny końcowej może być doliczone 0.5 oceny za bdb z ćwiczeń oraz 0.5 oceny za zaliczenie co najmniej 4 ćwiczeń na wykładach. |
|
Treści kształcenia: | 1. Wybrane struktury i funkcje języka R. 2. Omówienie metodyki CRISP-DM. 3. Przetwarzanie danych (a) nazewnictowo, (b) jakość danych, (c) import danych z różnych źródeł (CSV, ODBC, SQLite, R Data), (d) eksploracja danych (podsumowywanie, wykresy, analiza korelacji), (e) przekształcanie danych (normalizacja, imputacja, czyszczenie). 5. Omówienie wybranych modeli (a) Grupowania (k-means, grupowanie hierarchiczne), (b) Analiza asocjacji, (c) Klasyfikatory: kNN, naiwny Bayes, drzewa decyzyjne(różne typy), SVM, klasyfikatory złożone, sieci neuronowe' (d) Model regresji. 6. Różne metody oceny wydajności modeli. |
|
Literatura: |
[1] Larose, Daniel T. Odkrywanie wiedzy z danych: wprowadzenie do eksploracji danych. Warszawa: Wydawnictwo Naukowe PWN, 2006. [2] Larose, Daniel T. Metody i modele eksploracji danych. Warszawa: Wydawnictwo Naukowe PWN, 2008. [3] Han Jiawei, Kamber Micheline, Data Mining: Concepts and Techniques. Elsevier, 2006. [4] Pang-Ning Tan, Steinbach Michael, Vipin Kumar, Introduction to Data Mining, Pearson, 2014 [5] Williams, Graham J. Data Mining with Rattle and R: The Art of Excavating Data for Knowledge Discovery. New York: Springer, 2011. 6 Lantz, Brett Machine learning with R, Packt PublishingPackt, 2015. |
Zajęcia w cyklu "Semestr zimowy 2019/2020" (zakończony)
Okres: | 2019-10-01 - 2020-02-23 |
Przejdź do planu
PN WT ŚR LI
W
CZ LI
PT |
Typ zajęć: |
Ćwiczenia informatyczne, 28 godzin
Wykład, 28 godzin
|
|
Koordynatorzy: | Monika Bartkiewicz | |
Prowadzący grup: | Monika Bartkiewicz | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Ocena zgodna z regulaminem studiów
Ćwiczenia informatyczne - Ocena zgodna z regulaminem studiów Wykład - Ocena zgodna z regulaminem studiów |
|
Metody dydaktyczne: | klasyczna metoda problemowa, metoda projektu |
|
Sposoby i kryteria oceniania: | Ocena z ćwiczeń zależy od liczby wykonanych projektów w ramach zajęć (EK1-EK6) maksymalna liczba punktów do zdobycia - 100. Na 5 i 10 ćwiczeniach obowiązkowa kartkówka. Do zaliczenia ćwiczeń wymagane jest 50 punktów oraz zaliczone obie kartkówki. Obecność na ćwiczeniach jest obowiązkowa. Dozwolone są dwie nieobecności nieusprawiedliwione. Za obecność na wszystkich zajęciach można uzyskać 5 punktów. Ocena z wykładu, to ocena z egzaminu. Ocena końcowa to ocena z wykładu. Do oceny końcowej może być doliczone 0.5 oceny za bdb z ćwiczeń oraz 0.5 oceny za zaliczenie co najmniej 4 ćwiczeń na wykładach. |
|
Treści kształcenia: | 1. Wybrane struktury i funkcje języka R. 2. Omówienie metodyki CRISP-DM. 3. Przetwarzanie danych (a) nazewnictowo, (b) jakość danych, (c) import danych z różnych źródeł (CSV, ODBC, SQLite, R Data), (d) eksploracja danych (podsumowywanie, wykresy, analiza korelacji), (e) przekształcanie danych (normalizacja, imputacja, czyszczenie). 5. Omówienie wybranych modeli (a) Grupowania (k-means, grupowanie hierarchiczne), (b) Analiza asocjacji, (c) Klasyfikatory: kNN, naiwny Bayes, drzewa decyzyjne(różne typy), SVM, klasyfikatory złożone, sieci neuronowe' (d) Model regresji. 6. Różne metody oceny wydajności modeli. |
|
Literatura: |
[1] Larose, Daniel T. Odkrywanie wiedzy z danych: wprowadzenie do eksploracji danych. Warszawa: Wydawnictwo Naukowe PWN, 2006. [2] Larose, Daniel T. Metody i modele eksploracji danych. Warszawa: Wydawnictwo Naukowe PWN, 2008. [3] Han Jiawei, Kamber Micheline, Data Mining: Concepts and Techniques. Elsevier, 2006. [4] Pang-Ning Tan, Steinbach Michael, Vipin Kumar, Introduction to Data Mining, Pearson, 2014 [5] Williams, Graham J. Data Mining with Rattle and R: The Art of Excavating Data for Knowledge Discovery. New York: Springer, 2011. 6 Lantz, Brett Machine learning with R, Packt PublishingPackt, 2015. |
Zajęcia w cyklu "Semestr zimowy 2018/2019" (zakończony)
Okres: | 2018-10-01 - 2019-02-10 |
Przejdź do planu
PN WT ŚR W
LI
CZ LI
PT |
Typ zajęć: |
Ćwiczenia informatyczne, 28 godzin
Wykład, 28 godzin
|
|
Koordynatorzy: | Monika Bartkiewicz | |
Prowadzący grup: | Monika Bartkiewicz | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Ocena zgodna z regulaminem studiów
Ćwiczenia informatyczne - Ocena zgodna z regulaminem studiów Wykład - Ocena zgodna z regulaminem studiów |
|
Metody dydaktyczne: | klasyczna metoda problemowa, metoda projektu |
|
Sposoby i kryteria oceniania: | Ocena z ćwiczeń zależy od liczby wykonanych projektów w ramach zajęć (EK1-EK6). Na ocenę z wykładu składa się ocena z egzaminu oraz frekwencja(do 0.5 oceny). Ocena końcowa to ocena z wykładu. Do oceny końcowej może być doliczone 0.5 oceny za bdb z ćwiczeń. |
|
Treści kształcenia: | 1. Wybrane struktury i funkcje języka R. 2. Omówienie metodyki CRISP-DM. 3. Podstawy pakietu Rattle. 4. Praca z danymi w Rattle i R: (a) nazewnictowo, (b) jakość danych, (c) import danych z różnych źródeł (CSV, ODBC, SQLite, R Data), (d) eksploracja danych (podsumowywanie, wykresy, analiza korelacji), (e) przekształcanie danych (normalizacja, imputacja, czyszczenie). 5. Omówienie wybranych modeli (a) Grupowania (k-means, grupowanie hierarchiczne), (b) Analiza asocjacji, (c) Klasyfikatory: kNN, naiwny Bayes, drzewa decyzyjne(różne typy), SVM, klasyfikatory złożone, sieci neuronowe' (d) Model regresji. 6. Różne metody oceny wydajności modeli. |
|
Literatura: |
[1] Larose, Daniel T. Odkrywanie wiedzy z danych: wprowadzenie do eksploracji danych. Warszawa: Wydawnictwo Naukowe PWN, 2006. [2] Larose, Daniel T. Metody i modele eksploracji danych. Warszawa: Wydawnictwo Naukowe PWN, 2008. [3] Han Jiawei, Kamber Micheline, Data Mining: Concepts and Techniques. Elsevier, 2006. [4] Pang-Ning Tan, Steinbach Michael, Vipin Kumar, Introduction to Data Mining, Pearson, 2014 [5] Williams, Graham J. Data Mining with Rattle and R: The Art of Excavating Data for Knowledge Discovery. New York: Springer, 2011. 6 Lantz, Brett Machine learning with R, Packt PublishingPackt, 2015. |
Zajęcia w cyklu "Semestr zimowy 2017/2018" (zakończony)
Okres: | 2017-10-01 - 2018-02-09 |
Przejdź do planu
PN W
LI
WT ŚR LI
CZ W
PT |
Typ zajęć: |
Ćwiczenia informatyczne, 28 godzin
Wykład, 28 godzin
|
|
Koordynatorzy: | Monika Bartkiewicz | |
Prowadzący grup: | Monika Bartkiewicz | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Ocena zgodna z regulaminem studiów
Ćwiczenia informatyczne - Ocena zgodna z regulaminem studiów Wykład - Ocena zgodna z regulaminem studiów |
|
Metody dydaktyczne: | klasyczna metoda problemowa, metoda projektu |
|
Sposoby i kryteria oceniania: | Ocena z ćwiczeń zależy od liczby wykonanych projektów w ramach zajęć (EK1-EK6). Na ocenę z wykładu składa się ocena z egzaminu oraz frekwencja(do 0.5 oceny). Ocena końcowa to ocena z wykładu. Do oceny końcowej może być doliczone 0.5 oceny za bdb z ćwiczeń. |
|
Treści kształcenia: | 1. Wybrane struktury i funkcje języka R. 2. Omówienie metodyki CRISP-DM. 3. Podstawy pakietu Rattle. 4. Praca z danymi w Rattle i R: (a) nazewnictowo, (b) jakość danych, (c) import danych z różnych źródeł (CSV, ODBC, SQLite, R Data), (d) eksploracja danych (podsumowywanie, wykresy, analiza korelacji), (e) przekształcanie danych (normalizacja, imputacja, czyszczenie). 5. Omówienie wybranych modeli (a) Grupowania (k-means, grupowanie hierarchiczne), (b) Analiza asocjacji, (c) Klasyfikatory: kNN, naiwny Bayes, drzewa decyzyjne(różne typy), SVM, klasyfikatory złożone, sieci neuronowe' (d) Model regresji. 6. Różne metody oceny wydajności modeli. |
|
Literatura: |
[1] Larose, Daniel T. Odkrywanie wiedzy z danych: wprowadzenie do eksploracji danych. Warszawa: Wydawnictwo Naukowe PWN, 2006. [2] Larose, Daniel T. Metody i modele eksploracji danych. Warszawa: Wydawnictwo Naukowe PWN, 2008. [3] Han Jiawei, Kamber Micheline, Data Mining: Concepts and Techniques. Elsevier, 2006. [4] Pang-Ning Tan, Steinbach Michael, Vipin Kumar, Introduction to Data Mining, Pearson, 2014 [5] Williams, Graham J. Data Mining with Rattle and R: The Art of Excavating Data for Knowledge Discovery. New York: Springer, 2011. 6 Lantz, Brett Machine learning with R, Packt PublishingPackt, 2015. |
Właścicielem praw autorskich jest UNIWERSYTET ŁÓDZKI.