Cel kształcenia i wykaz literatury

Główny cel kształcenia: Zdobycie wiedzy i umiejętności w zakresie użytkowania i projektowania nowoczesnych systemów informacyjnych z wykorzystaniem metod uczenia maszynowego do analizy dużych zbiorów danych.

Ogólne informacje o zajęciach: W ramach przedmiotu omawiane są pojęcia, algorytmy i systemy z zakresu przetwarzania, wizualizacji i analizy dużych zbiorów danych z wykorzystaniem metod uczenia maszynowego. Student który zaliczył przedmiot powinien postrzegać data science (badanie danych) jako proces obejmujący zgromadzenie, poznanie i przygotowanie danych, a także ich analizę oraz ocenę i wdrożenie uzyskanych wyników.

Materiały dydaktyczne: http://prz-rzeszow.pl/~kswider/ekd

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

1	J. Han, M. Kamber, J. Pei	Data Mining: Concepts and Techniques, 3rd ed.	Morgan Kaufman, 2011 (można wykorzystać także wczesniejsze wydania).
2	B. Lantz	Machine Learning with R. Second Edition	Packt Publishing Ltd..	2015
3	D.T. Larose	Odkrywanie wiedzy z danych. Wprowadzenie do eksploracji danych	Wydawnictwo Naukowe PWN.	2006

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

1	B. Lantz	Machine Learning with R. Second Edition	Packt Publishing Ltd..	2015
2	Adam Pelikant	Hurtownie danych. Od przetwarzania analitycznego do raportowania	Helion.	2012
3	Scott L Cameron	Microsoft SQL Server 2008 Analysis Services Krok po kroku	Promise.	2016

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

Wymagania formalne: Zaliczenie 1-semestrowego przedmiotu w zakresie podstaw informatyki

Wymagania wstępne w kategorii Wiedzy: Wymagana znajomość wybranych zagadnień matematyki w tym podstaw statystyki.

Wymagania wstępne w kategorii Umiejętności: Pożądana znajomość podstaw technologii baz danych i programowania.

Wymagania wstępne w kategorii Kompetencji społecznych: Znajomość i przestrzeganie obowiązków studenta oraz podstawowych zasad etyki

Efekty kształcenia dla zajęć

MEK	Student, który zaliczył zajęcia	Formy zajęć/metody dydaktyczne prowadzące do osiągnięcia danego efektu kształcenia	Metody weryfikacji każdego z wymienionych efektów kształcenia	Związki z KEK	Związki z PRK
01	Zdobył podstawową wiedzę dotyczącą ewolucji nowoczesnych technologii gromadzenia i zarządzania informacją oraz rozumie ideę wspomagania decyzji na podstawie analizy danych.	wykład	test pisemny	K_W04+ K_K01++ K_K06+	P7S_KK P7S_KR P7S_WG
02	Poznał istotę i metody, analizy przeglądowej oraz możliwości praktycznego wykorzystania wybranych miar statystyki opisowej w poznawaniu danych.	wykład, laboratorium	kolokwium, test pisemny	K_W06++ K_U06+	P7S_UW P7S_WG
03	Poznał wybrane techniki wstępnej obróbki danych umożliwiające: oczyszczanie, integrację, transformacje oraz redukcję danych.	wykład, laboratorium	kolokwium, test pisemny	K_W06++ K_U06+	P7S_UW P7S_WG
04	Ma podstawową wiedzę na temat hurtowni danych i związanych z nimi modeli wielowymiarowych oraz jest w stanie przeprowadzać proste analizy OLAP.	wykład, laboratorium	kolokwium, test pisemny	K_W06++ K_U06+	P7S_UW P7S_WG
05	Ma podstawową wiedzę na temat pojęć i technik z zakresu regresji i klasyfikacji, w tym indukcji drzew decyzyjnych.	wykład, laboratorium	kolokwium, test pisemny	K_U06++	P7S_UW
06	Ma podstawową wiedzę na temat pojęć i technik grupowania, w tym klasteryzacji metodą k-średnich.	wykład, laboratorium	kolokwium, test pisemny	K_W06++ K_U06+	P7S_UW P7S_WG
07	Ma podstawową wiedzę na temat pojęć i technik z zakresu analizy asocjacji, w tym generowania częstych wzorców.	wykład, laboratorium	kolokwium, test pisemny	K_W06++ K_U06+	P7S_UW P7S_WG
08	Ma podstawową wiedzę na temat możliwości praktycznego zastosowania wybranych metod uczenia maszynowego w systemach wytwarzania.	wykład, laboratorium	kolokwium, test pisemny	K_W03+ K_U04+ K_U05+ K_U06++	P7S_UW P7S_WG

Uwaga: W zależności od sytuacji epidemicznej, jeżeli nie będzie możliwości weryfikacji osiągniętych efektów uczenia się określonych w programie studiów w sposób stacjonarny w szczególności zaliczenia i egzaminy kończące określone zajęcia będą mogły się odbywać przy użyciu środków komunikacji elektronicznej (w sposób zdalny).

Treści kształcenia dla zajęć

Sem.	TK	Treści kształcenia	Realizowane na	MEK
3	TK01	Analiza danych i systemy wspomagania decyzji w działalności przedsiębiorstw. Ewolucja systemów zarządzania dużymi zbiorami danych. Techniki analizowania danych. Czym jest nauka o danych (Data Science)?	W01-W03	MEK01
3	TK02	Analiza przeglądowa i poznawanie danych. Wybrane elementy środowiska obliczeniowego R. Podstawowe struktury danych. Praca z plikami. Poznawanie zmiennych numerycznych i wybrane miary statystyki opisowej. Wykresy pudełkowe i histogramy. Poznawanie zmiennych kategorialnych.	W04-W10	MEK02
3	TK03	Wstępne przetwarzanie danych. Podstawowe czynniki mające wpływ na jakość analizowanych danych: dokładność, kompletność, spójność, punktualność, wiarygodność i przejrzystość. Wybrane techniki wstępnej obróbki: czyszczenie, integracja, transformacja i redukcja danych.	W11-W12	MEK03
3	TK04	Praca z danymi pochodzącymi ze źródeł zewnętrznych. Czytanie oraz zapisywanie danych do arkuszy MS Excel i innych źródeł komercyjnych. Dane pochodzące z baz SQL. Praca z danymi w formatach XML i JSON. Analiza i wizualizacja struktur sieciowych.	W13-W14	MEK01
3	TK05	Bazy danych i hurtownie danych. Model wielowymiarowy: hierarchie i miary. Operacje OLAP. Ogólny schemat architektury hurtowni danych. Etapy opracowania hurtowni danych. Narzędzia klasy Business Intelligence.	W15-W16	MEK04
3	TK06	Projektowanie hurtowni danych. Modelowanie konceptualne i logiczne. Operowanie na danych wielowymiarowych przy pomocy języka MDX. Implementacja i wdrożenie hurtowni danych. Ekstrakcja, transformacja i ładowanie danych.	W17-W18	MEK04
3	TK07	Odkrywanie częstych wzorców i analiza asocjacji. Pojęcia podstawowe. Odkrywanie wzorców zachowań na przykładzie analizy koszyka zakupów z wykorzystaniem reguł asocjacyjnych. Definicja reguły asocjacyjnej. Miary atrakcyjności reguł - wsparcie i zaufanie. Prezentacja przykładu.	W19-W20	MEK07
3	TK08	Prognozowanie danych numerycznych - metody regresji. Budowanie modeli na podstawie danych. Pojęcie regresji. Prosty model regresji liniowej. Omówienie przykładu zastosowania wielokrotnej regresji liniowej. Poznawanie i przygotowanie danych. Uczenie modelu. Ocena i poprawa jakości modelu.	W21-W24	MEK05
3	TK09	Podstawowe pojęcia i metody klasyfikacji. Indukcja drzew decyzyjnych. Prezentacja przykładu pokazującego działanie algorytmu CART do generowania zrównoważonych binarnych drzew decyzyjnych na przykładzie niewielkiego zbioru danych uczących.	W25-W26	MEK05
3	TK10	Klasteryzacja - wyodrębnianie charakterystycznych grup. Wyznaczanie odrębności i uczenie nienadzorowane. Algorytm klasteryzacji metodą k-średnich. Wykorzystanie odległości do wyznaczania i korekty klastrów. Problem wyboru odpowiedniej ilości klastrów. Prezentacja przykładu.	W27-W28	MEK06
3	TK11	Zastosowanie metod uczenia maszynowego w zarządzaniu produkcją. Korzyści i wyzwania.Techniki i algorytmy. Obszary zastosowań uczenia nadzorowanego w systemach wytwarzania.	W29-W30	MEK08
3	TK12	Nauka użytkowania nowoczesnych systemów zarządzania, analizy i wizualizacji danych, tym: (i) Praca z wybranym oprogramowaniem wspomagającym zarządzanie hurtownią danych, analizę OLAP (np. MS SQL Server Analysis Services); (ii) Realizacja wybranych funkcji eksploracji danych, jak: generowanie asocjacji, klasyfikacja oraz klasteryzacja przy pomocy jednego lub kilku systemów/języków udostępnianych na zasadach niekomercyjnych (np. R lub Python); (iii) Wykorzystanie przykładowych ogólnodostępnych zbiorów danych.	L01-L15	MEK02 MEK04 MEK05 MEK06 MEK07

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 3)	Przygotowanie do kolokwium: 4.00 godz./sem.	Godziny kontaktowe: 30.00 godz./sem.	Uzupełnienie/studiowanie notatek: 5.00 godz./sem. Studiowanie zalecanej literatury: 10.00 godz./sem.
Laboratorium (sem. 3)	Przygotowanie do laboratorium: 10.00 godz./sem. Przygotowanie do kolokwium: 3.00 godz./sem.	Godziny kontaktowe: 15.00 godz./sem.	Dokończenia/wykonanie sprawozdania: 10.00 godz./sem.
Konsultacje (sem. 3)	Przygotowanie do konsultacji: 1.00 godz./sem.	Udział w konsultacjach: 1.00 godz./sem.
Egzamin (sem. 3)

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład	ocena z testu pisemnego
Laboratorium	ocena z kolokwium i wykonanych prac
Ocena końcowa	średnia ważona ocen z: kolokwium, testu pisemnego oraz z wykonanych prac.

Przykładowe zadania

Wymagane podczas egzaminu/zaliczenia
EKD_PrzZad.pdf

Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
EKD_LabZad.pdf

Inne
(-)

Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : nie

Treści zajęć powiazane są z prowadzonymi badaniami naukowymi: tak