- Nazwa przedmiotu:
- Warsztaty badawcze 2
- Koordynator przedmiotu:
- Dr inż. Marcin Luckner, dr hab. inż. Przemysław Biecek
- Status przedmiotu:
- Obowiązkowy
- Poziom kształcenia:
- Studia I stopnia
- Program:
- Inżynieria i Analiza Danych
- Grupa przedmiotów:
- Wspólne
- Kod przedmiotu:
- .
- Semestr nominalny:
- 6 / rok ak. 2017/2018
- Liczba punktów ECTS:
- 5
- Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
- 1. godziny kontaktowe – 65 h; w tym
a) obecność na wykładach – 30 h
b) obecność na laboratoriach – 15 h
c) obecność na projekcie – 15 h
d) konsultacje – 5 h
2. praca własna studenta – 60 h; w tym
a) przygotowanie projektu – 50 h
b) zapoznanie się z literaturą – 10 h
Razem 125 h, co odpowiada 5 pkt. ECTS
- Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
- 1. obecność na wykładach – 30 h
2. obecność na laboratoriach – 15 h
3, obecność na projekcie – 15 h
4. konsultacje – 5 h
Razem 65 h, co odpowiada 2 pkt. ECTS
- Język prowadzenia zajęć:
- polski
- Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
- 1. obecność na laboratoriach – 15 h
2, obecność na projekcie – 15 h
3. przygotowanie projektu – 50 h
Razem 80 h, co odpowiada 3 pkt. ECTS
- Formy zajęć i ich wymiar w semestrze:
-
- Wykład30h
- Ćwiczenia0h
- Laboratorium15h
- Projekt15h
- Lekcje komputerowe0h
- Wymagania wstępne:
- Warsztaty Badawcze 1, Wstęp do uczenia maszynowego
- Limit liczby studentów:
- .
- Cel przedmiotu:
- Celem przedmiotu jest przygotowanie studentów do samodzielnej i zespołowej pracy badawczej zgodnie z metodyką CRISP-DM.
W tym celu studenci w zespołach będą rozwiązywali wybrane zagadnienie badawcze zdefiniowane na początku semestru we współpracy z zewnętrznych partnerem. W ramach wykładów studenci będą mogli poznać specyfikę dziedzinową rozwiązywanego problemu, poznać istniejące rozwiązania, a w ramach laboratoriów i projektu będą mogli skonstruować własne rozwiązanie postawionego problemu.
Celem takiej formy prezentacji problemu jest pokazanie wartości wiedzy domenowej w rozwiązywaniu rzeczywistych problemów, potrzeby i roli studiów literaturowych oraz kształcenie umiejętności przygotowania raportu z prowadzonych prac badawczych.
Zajęcia kończą się raportem podsumowującym wyniki przeprowadzonych prac oraz publiczną prezentacją wyników.
- Treści kształcenia:
- - Organizacja pracy i współpraca w zespole
- przygotowanie i monitorowanie harmonogramu prac
- Definiowanie problemu
- Studia literaturowe dotyczące analizowanej dziedziny
- Przygotowywanie raportów badawczych
- Przygotowywanie prezentacji uzyskanych wyników
- Przygotowywanie całości raportów projektowych w języku angielskim
- Przygotowywanie zarówno rozwiązań wartościowych dla przedsiębiorstw, jak i służących dobru publicznemu
- Kształtowania postaw zgodnych z etyką zawodową oraz służących dorobkowi i tradycji zawodowej.
- Samodzielny dobór i lektura literatury naukowo-technicznej w języku angielskim poszerzającej wiedzę studentów.
- Metody oceny:
- Oceniana jest praca zespołowa studentów i jej wyniki. Na ocenę składa się
20% – ocena końcowej prezentacji wyników
20% – ocean czytelności i kompletności opracowanego raportu końcowego
30% – ocena wartości uzyskanych wyników w zestawieniu ze uprzednio zdefiniowanym problemem do rozwiązania
30% – ocena systematyczności postępów w trakcie realizacji projektu, zgodności z uprzednio przygotowanym harmonogramem prac
Wymagane jest zdobycie co najmniej połowy punków w każdej składowej oceny.
Ocena końcowa wynika z łącznej zdobytej liczby punktów tj. 0-50 %: ocena dwa, 51-60: ocena trzy, 61-70: ocena trzy i pół, 71-80 ocena cztery, 81-90: ocena cztery i pół, powyżej 90%: ocena pięć.
- Egzamin:
- nie
- Literatura:
- 1. Cross Industry Standard Process for Data Mining
CRISP-DM: Towards a Standard Process Model for Data Mining
https://pdfs.semanticscholar.org/48b9/293cfd4297f855867ca278f7069abc6a9c24.pdf
2. The International Business Communication Standards
http://www.ibcs-a.org/standards/130
3. How to Write and Publish a Scientific Paper
Barbara Gastel, Robert A. Day
4. R for data science
Garrett Grolemund and Hadley Wickham
http://r4ds.had.co.nz/intro.html
- Witryna www przedmiotu:
- .
- Uwagi:
- .
Efekty uczenia się
Profil ogólnoakademicki - wiedza
- Charakterystyka W01
- Zna podstawowe metody modelowania statystycznego, w tym analizy regresji i klasyfikacji
Zna metody uczenia maszynowego i inteligencji obliczeniowej
Weryfikacja: Ocena końcowych wyników
Powiązane charakterystyki kierunkowe:
DS_W04, DS_W05
Powiązane charakterystyki obszarowe:
I.P6S_WG
Profil ogólnoakademicki - umiejętności
- Charakterystyka U01
- Potrafi wykorzystać nabytą wiedzę do rozwiązywania zagadnień praktycznych
Weryfikacja: Raport z postępu i wyniku prac
Powiązane charakterystyki kierunkowe:
DS_U01, DS_U23
Powiązane charakterystyki obszarowe:
I.P6S_UW, I.P6S_UO
- Charakterystyka U02
- Potrafi przygotować dokumentację projektu, zawierającą między innymi przegląd źródeł literaturowych, pod-sumowanie wyników analizy danych oraz dokumentację systemu informatycznego
Weryfikacja: Raport z postępu i wyniku prac
Powiązane charakterystyki kierunkowe:
DS_U21
Powiązane charakterystyki obszarowe:
I.P6S_UW, I.P6S_UK
- Charakterystyka U03
- Potrafi przeprowadzić wstępną (eksploracyjną) analizę danych
Umie stosować techniki wizualizacji danych
Umie konstruować i stosować estymatory oraz testy hipotez, oceniać ich jakość i interpretować otrzymane wyniki
Umie zastosować metody statystyczne i uczenia maszy-nowego w zagadnieniach prognozowania
Potrafi porozumiewać się przy użyciu różnych technik w środowisku zawodowym oraz w innych środowiskach
Potrafi tworzyć, rozwijać i implementować algorytmy przetwarzania i analizy danych
Weryfikacja: Raport z postępu i wyniku prac
Powiązane charakterystyki kierunkowe:
DS_U03, DS_U04, DS_U05, DS_U08, DS_U12, DS_U13
Powiązane charakterystyki obszarowe:
I.P6S_UW, I.P6S_UK
- Charakterystyka U04
- Potrafi inicjować, planować i przeprowadzać proste eksperymenty obserwacyjne i symulacyjne oraz dobierać właściwe techniki i narzędzia do ich realizacji
Potrafi interpretować wyniki przeprowadzonych ekspe-rymentów i wyciągać wnioski, w tym dotyczące jakości modeli
Posługuje się językiem angielskim w stopniu pozwalają-cym na porozumienie się, przeczytanie ze zrozumieniem tekstów i opisów programowych oraz przedstawienie prezentacji problemu z zakresu studiowanego kierunku studiów
Potrafi indywidualnie i we współpracy z zespołem, w tym z zespołem interdyscyplinarnym tworzyć analizy i produkty informatyczne
Weryfikacja: Raport z postępu i wyniku prac
Powiązane charakterystyki kierunkowe:
DS_U15, DS_U16, DS_U19, DS_U23
Powiązane charakterystyki obszarowe:
I.P6S_UW, I.P6S_UK, I.P6S_UO
- Charakterystyka U05
- Potrafi planować rozwój i rozwijać kompetencje zawo-dowe
Weryfikacja: Raport z postępu i wyniku prac
Powiązane charakterystyki kierunkowe:
DS_U29
Powiązane charakterystyki obszarowe:
I.P6S_UU
Profil ogólnoakademicki - kompetencje społeczne
- Charakterystyka K01
- Jest przygotowany do współdziałania i pracy w grupie, przyjmując w niej różne role
Weryfikacja: Prezentacja wyników pracy
Powiązane charakterystyki kierunkowe:
DS_K04
Powiązane charakterystyki obszarowe:
I.P6S_KR
- Charakterystyka K02
- Jest przygotowany do formułowania wniosków i prezentacji wyników w sposób zrozumiały dla szerokiego grona odbiorców
Weryfikacja: Prezentacja wyników pracy
Powiązane charakterystyki kierunkowe:
DS_K03, DS_K05
Powiązane charakterystyki obszarowe:
I.P6S_KO
- Charakterystyka K03
- Rozumie potrzebę uczenia się przez całe życie i podnoszenia kompetencji zawodowych
Potrafi pracować indywidualnie i w zespole informatyków, w tym także potrafi zarządzać swoim czasem oraz podejmować zobowiązania i dotrzymywać terminów
Weryfikacja: Prezentacja wyników pracy
Powiązane charakterystyki kierunkowe:
DS_K01, DS_K02
Powiązane charakterystyki obszarowe:
I.P6S_KK, I.P6S_KO, I.P6S_KR