Drukuj Eksport do pliku (MS Word)
Nazwa przedmiotu:
Statystyczna Eksploracja Danych
Koordynator przedmiotu:
Dr inż. Julian Sienkiewicz
Status przedmiotu:
Obowiązkowy
Poziom kształcenia:
Studia II stopnia
Program:
Fizyka Techniczna
Grupa przedmiotów:
Obowiązkowe
Kod przedmiotu:
1050-FTEDM-MSP-2SED
Semestr nominalny:
1 / rok ak. 2019/2020
Liczba punktów ECTS:
3
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
1. godziny kontaktowe – 35 h; w tym a) obecność na wykładach – 30 h b) obecność na egzaminie – 2 h c) uczestniczenie w konsultacjach – 3 h 2. praca własna studenta – 35 h; w tym a) przygotowanie do wykładów – 15 h b) zapoznanie się z literaturą – 10 h c) przygotowanie do egzaminu/kolokwiów – 10 h Razem w semestrze 70 h, co odpowiada 3 pkt. ECTS
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
1. obecność na wykładach – 30 h 2. obecność na egzaminie – 2 h 3. uczestniczenie w konsulatacjach – 3 h Razem w semestrze 35 h, co odpowiada 1.5 pkt. ECTS
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
Dla chętnych studentów 1. przygotowanie projektów – 30h Razem w semestrze 30 h, co odpowiada 1 pkt. ECTS
Formy zajęć i ich wymiar w semestrze:
  • Wykład30h
  • Ćwiczenia0h
  • Laboratorium0h
  • Projekt0h
  • Lekcje komputerowe0h
Wymagania wstępne:
Probabilistyka, Komputerowa Analiza Danych Doświadczalnych, Wprowadzenie do Data Science
Limit liczby studentów:
brak
Cel przedmiotu:
Poznanie i zrozumienie podstaw eksploracji danych, ich ograniczeń oraz obszarów zastosowań.
Treści kształcenia:
1. Wprowadzenie, dyskryminacja fisherowska dla g=2 2. Dyskryminacja fisherowska - przykłady, dyskryminacja fisherowska dla wyższych g 3. Klasyfikator Bayesa, LDA, QDA, skuteczność klasyfikatorów 4. Metoda najbliższych sąsiadów 5. Drzewa klasyfikacyjne 6. Zespoły klasyfikatorów. Bagging, boosting, lasy losowe. 7. Analiza skupień 8. Analiza składowych głównych i skalowanie wielowymiarowe 9. Analiza czynnikowa 10. Maszyny wektorów podpierających 11. Jądra – metody nieliniowe (kernels) w SVM, CCA i PCA. 12. Modele graficzne: sieci bayesowskie, sieci Markowa.
Metody oceny:
Podstawą oceny końcowej jest egzamin. Studenci, którzy w trakcie semestru wezmą udział w trzech kolokwiach oraz przedstawią wyniki projektu i otrzymają sumaryczną ocenę db, db1/2 lub bdb są zwolnieni z taką oceną z egzaminu.
Egzamin:
tak
Literatura:
1. L. Rutkowski, Metody i techniki sztucznej inteligencji, PWN, Warszawa 2005 2. D. Larose, Metody i modele eksploracji danych, PWN, Warszawa 2008. 3. D. Hand, H. Manilla, P. Smyth, Eksploracja danych, WNT, Warszawa 2005. 4. J. Koronacki, J. Ćwik, Systemy uczące się: rozpoznawanie wzorców, analiza skupień i redukcja wymiarowości, WNT, Warszawa 2008
Witryna www przedmiotu:
http://www.fizyka.pw.edu.pl/~julas/SED
Uwagi:
brak

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Efekt SED_W01
Ma podstawową wiedzę w zakresie eksploracji danych.
Weryfikacja: Kolokwium / egzamin
Powiązane efekty kierunkowe: FT2_W02
Powiązane efekty obszarowe: X2A_W02, T2A_W01, T2A_W02
Efekt SED_W02
Ma świadomość współczesnych kierunków badań w zakresie eksploracji danych
Weryfikacja: Kolokwium / egzamin
Powiązane efekty kierunkowe: FT2_W04
Powiązane efekty obszarowe: X2A_W06, T2A_W05, T2A_W07

Profil ogólnoakademicki - umiejętności

Efekt SED_U01
Potrafi zastosować zdobytą wiedzę do opisu różnych, z góry niedefiniowanych zjawisk.
Weryfikacja: Kolokwium / egzamin
Powiązane efekty kierunkowe: FT2_U03, FT2_U06
Powiązane efekty obszarowe: X2A_U08, X2A_U09, T2A_U03, T2A_U04, X2A_U02, X2A_U04, T2A_U09
Efekt SED_U02
Umie ocenić przydatność poszczególnych metod i ich wykorzystanie do różnie zdefiniowanych problemów.
Weryfikacja: Kolokwium/ egzamin
Powiązane efekty kierunkowe: FT2_U12
Powiązane efekty obszarowe: X2A_U04, T2A_U13

Profil ogólnoakademicki - kompetencje społeczne

Efekt SED_K01
Potrafi myśleć w sposób przedsiębiorczy oraz określić priorytet zawiązany z realizacją wybranego przez siebie zadania.
Weryfikacja: Kolokwium/ egzamin
Powiązane efekty kierunkowe: FT2_K05
Powiązane efekty obszarowe: X2A_K03, T2A_K04, T2A_K05
Efekt SED_K02
Ma świadomość różnicy pomiędzy popularnym zrozumieniem metod „data mining” a ich faktyczną rolą w nauce
Weryfikacja: Kolokwium/ egzamin
Powiązane efekty kierunkowe: FT2_K06
Powiązane efekty obszarowe: X2A_K04, T2A_K07