Nazwa przedmiotu:
Data Mining
Koordynator przedmiotu:
prof. dr hab. Jan Mielniczuk
Status przedmiotu:
Obowiązkowy
Poziom kształcenia:
Studia II stopnia
Program:
Matematyka
Grupa przedmiotów:
Wspólne
Kod przedmiotu:
1120-MASMA-NSP-0019
Semestr nominalny:
2 / rok ak. 2017/2018
Liczba punktów ECTS:
6
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
1. godziny kontaktowe – 70 h; w tym a) obecność na wykładach – 30 h b) obecność na laboratoriach – 30 h c) obecność na egzaminie – 5 h d) konsultacje – 5 h 2. praca własna studenta – 60 h; w tym a) przygotowanie do laboratoriów – 25 h b) zapoznanie się z literaturą – 10 h c) przygotowanie do egzaminu – 25 h Razem 130 h, co odpowiada 6 pkt. ECTS
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
a) obecność na wykładach – 30 h b) obecność na laboratoriach – 30 h c) obecność na egzaminie – 5 h d) konsultacje – 5 h Razem 70 h, co odpowiada 3 pkt. ECTS
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
a) obecność na laboratoriach – 30 h b) przygotowanie do laboratoriów – 25 h Razem 55 h, co odpowiada 2 pkt. ECTS
Formy zajęć i ich wymiar w semestrze:
  • Wykład30h
  • Ćwiczenia0h
  • Laboratorium30h
  • Projekt0h
  • Lekcje komputerowe0h
Wymagania wstępne:
Stosowana analiza regresji
Limit liczby studentów:
30, 2 grupy laboratoryjne, 15 osób/grupa
Cel przedmiotu:
Zapoznanie słuchaczy z podstawowymi technikami data miningu i uczenia maszynowego
Treści kształcenia:
Wykład: 1. analiza dyskryminacyjna LDA . Kwadratowa analiza dyskryminacyjna QDA 2. Klasyfikator bayesowski i jego wersje empiryczne. 3. Metoda najbliższego sąsiada, naiwna metoda bayesowska, klasyfikacja logistyczna. 4. Metody oceny klasyfikatorów. 5. Drzewa klasyfikacyjne CART. 6.Drzewa regresyjne. 7. Maszyny wektorów podpierających SVM Vapnika, 8.Wprowadzenie do metody przekształcenia jądrowego. 9. Sieci neuronowe, modele addytywne, 10. Metody łączenia klasyfikatorów i estymatorów regresji 11. Problemy wysokiego wymiaru wektora atrybutów: selekcja i ekstrakcja cech. 12. Analiza skupień: metody kombinatoryczne/hierarchiczne 13. Modelowanie mieszankowe, zastosowania 14. Analiza czynnikowa i analiza składowych niezależnych Laboratorium: Praktyczna realizacja tematów 1-14 omawianych na wykładzie w oparciu o system R w oparciu o rzeczywiste i symulowane zbiory danych
Metody oceny:
Laboratoria: 30%, egzamin 70 %
Egzamin:
tak
Literatura:
1. J Friedman, T Hastie, R. Tibshirani, Elements of statistical learning, Springer, 2001 2. J. Koronacki, J. Ćwik, Statystyczne systemy uczące się, WNT, 2005
Witryna www przedmiotu:
brak
Uwagi:
.

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Efekt DAM_W01
Zna ogólne sformułowanie problemu klasyfikacji pod nadzorem i bez nadzoru oraz podstawowe metody klasyfikacji liniowej LDA i klasyfikacji logistycznej. Wie, na czym polega kwadratowa analiza dyskryminacyjna QDA.
Weryfikacja: Egzamin, zaliczenie laboratoriów
Powiązane efekty kierunkowe: M2SMAD_W07
Powiązane efekty obszarowe:
Efekt DAM_W02
Zna pojęcie i postać estymatora bayesowskiego w problemie klasyfikacji oraz konstrukcję jego odpowiedników empirycznych. Zna podstawowe metody oceny błędu klasyfikacji.
Weryfikacja: Egzamin, zaliczenie laboratoriów
Powiązane efekty kierunkowe: M2SMAD_W07
Powiązane efekty obszarowe:
Efekt DAM_W03
Zna metodologię konstrukcji drzew klasyfikacyjnych oraz maszyn wektorów podpierających. Wie, na czym polegają metody łączenia klasyfikatorów
Weryfikacja: Egzamin, zaliczenie laboratoriów
Powiązane efekty kierunkowe: M2SMAD_W08
Powiązane efekty obszarowe:
Efekt DAM_W04
Zna podstawowe metody analizy skupień: metodę k-średnich, dendrogramy, metodę mieszanek, sieci samoorganizujące się Kohonena.
Weryfikacja: Egzamin, zaliczenie laboratoriów
Powiązane efekty kierunkowe: M2SMAD_W09
Powiązane efekty obszarowe:

Profil ogólnoakademicki - umiejętności

Efekt DAM_U01
Umie skonstruować klasyfikatory liniowe w oparciu o metodologię LDA i model logistyczny, porównać z klasyfikatorem QDA i ocenić ich błędy klasyfikacji.
Weryfikacja: Zaliczenie laboratoriów
Powiązane efekty kierunkowe: M2SMAD_U07
Powiązane efekty obszarowe:
Efekt DAM_U02
Umie stosować metodę CART i SVM do problemu klasyfikacji i estymacji regresji.
Weryfikacja: Zaliczenie laboratoriów
Powiązane efekty kierunkowe: M2SMAD_U07
Powiązane efekty obszarowe:
Efekt DAM_U03
Umie stosować metody analizy składowych głównych w konkretnych zagadnieniach, wybierać liczbę kierunków w tej metodzie oraz oceniać jej skuteczność.
Weryfikacja: Zaliczenie laboratoriów
Powiązane efekty kierunkowe: M2SMAD_U08
Powiązane efekty obszarowe:
Efekt DAM_U04
Umie przeprowadzać analizę skupień w oparciu o podstawowe stosowane metodologie.
Weryfikacja: Zaliczenie laboratoriów
Powiązane efekty kierunkowe: M2SMAD_U09
Powiązane efekty obszarowe:

Profil ogólnoakademicki - kompetencje społeczne

Efekt DAM_K01
Potrafi współdziałać i pracować w zespole przyjmując w nim różne role.
Weryfikacja: Zaliczenie laboratoriów
Powiązane efekty kierunkowe: M2SMAD_K01
Powiązane efekty obszarowe: