Metody eksploracji danych

T

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.

wykład, pogadanka, ćwiczenia praktyczne, metoda projektu, ćwiczenia praktyczne

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

kartkówka, projekty indywidualne, test końcowy

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.

[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.

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.

wykład, pogadanka, ćwiczenia praktyczne, metoda projektu, ćwiczenia praktyczne

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

kartkówka, projekty indywidualne, test końcowy

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.

[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.

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.

wykład, pogadanka, ćwiczenia praktyczne, metoda projektu, ćwiczenia praktyczne

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

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.

[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.

klasyczna metoda problemowa, metoda projektu

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.

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.

[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.

klasyczna metoda problemowa, metoda projektu

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.

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.

[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.

klasyczna metoda problemowa, metoda projektu

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.

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.

[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.

klasyczna metoda problemowa, metoda projektu

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.

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.

[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.