Drukuj Eksport do pliku (MS Word)
Nazwa przedmiotu:
Podstawy przetwarzania danych
Koordynator przedmiotu:
Dr inż. Marcin Luckner
Status przedmiotu:
Obowiązkowy
Poziom kształcenia:
Studia II stopnia
Program:
Informatyka i Systemy Informacyjne
Grupa przedmiotów:
Wspólne
Kod przedmiotu:
1120-INMSI-MSP-0112
Semestr nominalny:
2 / rok ak. 2021/2022
Liczba punktów ECTS:
5
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
1. godziny kontaktowe – 45 h; w tym a. obecność na wykładach – 15 h b. obecność na laboratoriach – 30 h 2. przygotowanie do zajęć laboratoryjnych – 30 h 3. zapoznanie się z literaturą – 20 h 4. konsultacje – 5 h 5. przygotowanie do egzaminu i obecność na egzaminie –20 h Łączny nakład pracy studenta wynosi 120 h co odpowiada 5 pkt. ECTS
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
1. obecność na wykładach – 15 h 2. obecność na laboratoriach – 30 h 3. konsultacje – 5 h Razem 50 h, co odpowiada 2 pkt. ECTS
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
1. przygotowanie do zajęć laboratoryjnych – 30 h 2. zapoznanie się z literaturą 20 h 3. przygotowanie do egzaminu i obecność na egzaminie 20 h Razem 70 h, co odpowiada 3 pkt. ECTS
Formy zajęć i ich wymiar w semestrze:
  • Wykład15h
  • Ćwiczenia0h
  • Laboratorium30h
  • Projekt15h
  • Lekcje komputerowe0h
Wymagania wstępne:
.
Limit liczby studentów:
Bez limitu
Cel przedmiotu:
Celem przedmiotu jest przedstawienie procesu przetwarzania danych w zadaniach uczenia maszynowego. Słuchacze mają poznać przyczyny i metody przetwarzania danych wejściowych, sposoby przeprowadzania testów stworzonego rozwiązania i interpretacji wyników. Przedmiot ma zapewnić im podstawową teoretyczną wiedzę z tego zakresu i umiejętność jej praktycznego zastosowania.
Treści kształcenia:
Wykład: Dobór typów i normalizacja danych. Redukcja wymiarowości. Redukcja zaszumienia danych. Selekcja cech. Braki w danych. Próbkowanie danych. Tworzenie środowiska testowego. Miary oceny wyników modelu. Metodologia oceny wyników modelu. Analiza procesu uczenia modelu. Analiza wpływu danych na wyniki modelu. Porównywanie modeli. Wizualizacja wyników. Manifold learning. Przetwarzanie danych jakościowych Laboratorium: Podczas laboratoriów studenci uczą się jak dokonywać eksploatacji danych, aby móc przeprowadzić analizę wpływu danych na wyniki działania modelu. Projekt: Realizując projekt uczą się praktycznego przetwarzania danych i analizy wpływu przetwarzania na działanie modelu.
Metody oceny:
40% laboratorium - ocena za 4-5 zadań punktowanych 60% projekt - ocena dłuższego projektu w tym: ocena uzyskanej jakości wyników predykcji w porównaniu z działaniem modelu operującego na nie przetworzonych danych (30%) oraz ocena sposobu przeprowadzenia i dokumentacji eksperymentów porównujących modele (30%).
Egzamin:
nie
Literatura:
1. D.T. Larose, Metody i modele eksploracji danych, PWN, Warszawa, 2017. 2. S. Brandt, Analiza danych, PWN, Warszawa, 2016. 3. P. Biecek, Odkrywać! Ujawniać! Objaśniać! Zbiór esejów o sztuce prezentowania danych, Wydawnictwa Uniwersytetu Warszawskiego, Warszawa 2014.
Witryna www przedmiotu:
brak
Uwagi:

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Charakterystyka W01
Zna podstawowe metody przetwarzania danych na potrzeby systemów uczenia maszynowego
Weryfikacja: ocena 4-5 zadań punktowanych
Powiązane charakterystyki kierunkowe: I2SI_W05, I2SI_W03
Powiązane charakterystyki obszarowe:
Charakterystyka W02
Posiada wiedzę na temat klasyfikacji problemów uczenia maszynowego i zna typowe techniki ich rozwiązania
Weryfikacja: ocena 4-5 zadań punktowanych
Powiązane charakterystyki kierunkowe: I2SI_W04
Powiązane charakterystyki obszarowe:
Charakterystyka W03
Zna metody testowania działania metod sztucznej inteligencji
Weryfikacja: .
Powiązane charakterystyki kierunkowe: I2SI_W01, I2SI_W05
Powiązane charakterystyki obszarowe:

Profil ogólnoakademicki - umiejętności

Charakterystyka U01
Potrafi wykorzystać́ wiedzę matematyczną do analizy i optymalizacji formatu danych wejściowych
Weryfikacja: ocena uzyskanej jakości wyników predykcji w porównaniu z działaniem modelu operującego na nieprzetworzonych danych
Powiązane charakterystyki kierunkowe: I2_U02, I2_U05
Powiązane charakterystyki obszarowe:
Charakterystyka U02
Potrafi weryfikować hipotezy dotyczące wyników metod uczenia maszynowego, w tym posługując się wizualizacją danych
Weryfikacja: ocena uzyskanej jakości wyników predykcji w porównaniu z działaniem modelu operującego na nieprzetworzonych danych
Powiązane charakterystyki kierunkowe: I2_U06, I2_U07, I2_U08
Powiązane charakterystyki obszarowe:
Charakterystyka U03
Zna i wykorzystuje odpowiednie języki programowania i narzędzia pozwalające na efektywne przetwarzanie danych i wykorzystanie dostępnych możliwości sprzętowych, na przykład procesorów wielordzeniowych
Weryfikacja: ocena sposobu przeprowadzenia i dokumentacji eksperymentów porównujących modele
Powiązane charakterystyki kierunkowe: I2_U04
Powiązane charakterystyki obszarowe:
Charakterystyka U04
Potrafi zaprojektować prosty system przetwarzający dane, wykorzystując metody uczenia maszynowego
Weryfikacja: ocena sposobu przeprowadzenia i dokumentacji eksperymentów porównujących modele
Powiązane charakterystyki kierunkowe: I2SI_U08
Powiązane charakterystyki obszarowe:
Charakterystyka U05
Potrafi pracować indywidualnie, w zespole oraz kierować niedużym zespołem, stosując w praktyce techniki zarządzania projektami informatycznymi
Weryfikacja: ocena sposobu przeprowadzenia i dokumentacji eksperymentów porównujących modele
Powiązane charakterystyki kierunkowe: I2_U11
Powiązane charakterystyki obszarowe:

Profil ogólnoakademicki - kompetencje społeczne

Charakterystyka K01
Ma świadomość odpowiedzialności za wspólnie realizowane zadania w ramach pracy zespołowej
Weryfikacja: ocena sposobu przeprowadzenia i dokumentacji eksperymentów porównujących modele
Powiązane charakterystyki kierunkowe: I2_K05
Powiązane charakterystyki obszarowe: