Cel kształcenia i wykaz literatury

Główny cel kształcenia: Celem przedmiotu jest przedstawienie metod i technik Data Science, w tym akwizycji, wstępnej obróbki i przetwarzania, analizy i interpretacji danych oraz pozyskiwania wiedzy z danych, niezbędnej do modelowania zjawisk fizycznych oraz praktycznego rozwiązywania problemów w badaniach naukowych i eksperymentalnych. Celem przedmiotu jest również nabycie przez doktorantów praktycznych umiejętności wykorzystywania w tym celu zarówno podstawowego arkusza kalkulacyjnego MS Excel, jak i specjalistycznego oprogramowania Statistica, Statistica Data Miner oraz Python, czy RStudio.

Ogólne informacje o zajęciach: W ramach przedmiotu przedstawione zostaną zagadnienia teoretyczne dotyczące metod analizy statystycznej danych, zaawansowanych metod i technik eksploracji danych, uczenia maszynowego i sztucznej inteligencji oraz przetwarzania dużych zbiorów danych Big Data. Na zajęciach projektowych doktoranci będą poznawać i nabędą umiejętności wykorzystywania w tym celu odpowiedniego oprogramowania, m.in. MS Excel, Statistica, Statistica Data Miner, Matlab z dodatkowymi narzędziami oraz Python.

Materiały dydaktyczne: Umieszczane w MS Teams w folderze Pliki/Materiały do zajęc oraz na stronie gsetlak.v.prz.edu.pl

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

1	Foreman J. W.	Mistrz analizy danych. Od danych do wiedzy	wyd. Helion, Gliwice.	2019
2	David Natingga	Algorytmy Data Science. Siedmiodniowy przewodnik	HELION, Gliwice.	2019
3	Aileen Nielsen	Szeregi czasowe. Praktyczna analiza i predykcja z wykorzystaniem statystyki i uczenia maszynowego	Aileen Nielsen, HELION, Gliwice.	2020
4	S. Osowski	Metody i narzędzia eksploracji danych	Wyd. BTC, Legionowo.	2013
5	Joel Grus	Data science od podstaw. Analiza danych w Python	O'REILLY, HELION, Beijing, Cambridge, Gliwice.	2018
6	M. Alexander, J. Decker,	Analizy Business Intelligence. Zaawansowane wykorzystanie Excela	Helion, Gliwice .	2015
7	Tom M. Mitchell	Machine Learning	McGraw-Hill Education .	1997,

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

1	A. Zięba	Analiza danych w naukach ścisłych i technice	PWN, Warszawa.	2013
2	Małgorzata Rabiej	Analizy statystyczne z programami Statistica i Excel	Helion, Gliwice.	2018
3	Sobczyk M.	Statystyka	wyd. PWN, Warszawa.	2007
4	B. Dębska, B. Guzowska-Świder	Statystyka i opracowanie wyników	Oficyna wydawnicza Politechniki Rzeszowskiej.	2011
5	J. Walkenbach, M. Alexander	Analiza i prezentacja danych w Microsoft Excel	Helion, Gliwice.	2014

Literatura do samodzielnego studiowania

1	Helion, Gliwice	Excel. Profesjonalna analiza i prezentacja danych	Helion, Gliwice.	2006
2	M. Freeman, Joel Ross	Data science. Programowanie, analiza i wizualizacja danych z wykorzystaniem Języka R	Helion, Gliwice .	2020
3	Mayer-Schönberger V., Cukier K.	Big Data. Efektywna analiza danych	wyd. MT Biznes, Warszawa .	2017
4	Peck R., Olsen C., Devore J. L.	Introduction to: Statistics & Data Analysis	Cengage Learning.	2016

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

Wymagania formalne: Przyjęcie do Szkoły Doktorskiej na Politechnice Rzeszowskiej

Wymagania wstępne w kategorii Wiedzy: Wiedza na poziomie absolwenta studiów magisterskich z zakresu matematyki, statystyki matematycznej i informatyki.

Wymagania wstępne w kategorii Umiejętności: Umiejętność obsługi komputera i korzystania z oprogramowania, w tym wykorzystania MS Excel, Matlab.

Wymagania wstępne w kategorii Kompetencji społecznych: Zdolność do współpracy w niewielkim zespole.

Efekty kształcenia dla zajęć

MEK	Doktorant, 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	potrafi stosować zarówno podstawowe metody statystycznej analizy danych, jak i zaawansowane: eksploracji danych, uczenia maszynowego, sztucznej inteligencji, przetwarzania dużych zbiorów danych Big Data itp..	wykład, projekt indywidualny, ćwiczenia problemowe	zaliczenie cz. praktyczna, egzamin cz. pisemna	K_W01+++	P8S_WG
02	Posiada znajomość metod statystycznych, uczenia maszynowego, eksploracji danych i potrafi je zastosować do analizy zbiorów danych pochodzących z różnorodnych źródeł.	wykład, ćwiczenia problemowe, projekt indywidualny	zaliczenie cz. praktyczna, egzamin cz. pisemna	K_W01+++ K_U05++	P8S_UK P8S_WG
03	nabywa umiejętności praktyczne dotyczące identyfikacji i formułowania specyfikacji złożonych problemów z zakresu inżynierii i analizy danych oraz doboru odpowiednich metod i narzędzi do ich rozwiązania	wykład, ćwiczenia problemowe, projekt indywidualny	zaliczenie cz. pisemna, egzamin cz. pisemna	K_W01+++ K_U05++ K_U06+	P8S_UK P8S_WG
04	posiada wiedzę w zakresie doboru do rozwiązywania wybranych problemów badawczych odpowiednich metod analizy danych i narzędzi programowych oraz nabywa umiejętności praktyczne ich zastosowania, w tym m.in. MS Excel, pakiet programowy Statistica oraz oprogramowanie MATLAB z odpowiednimi Toolbox'ami	ćwiczenia problemowe, projekt indywidualny, wykład, e-learning	zaliczenie cz. praktyczna, egzamin cz. pisemna	K_W01++ K_U05++	P8S_UK P8S_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
4	TK01	Inżynieria i analiza danych w badaniach naukowych (nauki techniczne). Podstawowe pojęcia w zakresie Data Science. Dane – informacje - wiedza. Wprowadzenie do analizy i eksploracji danych. Analiza danych z użyciem metod statystycznych, eksploracji danych, uczenia maszynowego i analizy predykcyjnej oraz narzędzi sztucznej inteligencji. Podstawowe pojęcia statystyczne. Badanie rozkładów empirycznych. Miary: tendencji centralnej, zróżnicowania, asymetrii oraz miary spłaszczenia (współczynnik ekscesu) i koncentracji.	W01	MEK03
4	TK02	Wstępne przygotowanie danych pozyskiwanych z różnych źródeł. Wizualizacja danych, standardowe formy wizualizacji danych. Graficzna prezentacja statystyk opisowych. Wykresy pudełkowy -wykres ramka-wąsy. Wykres rozrzutu. Histogramy. Analiza i interpretacja wykresów.	WO2	MEK03
4	TK03	Statystyczna analiza danych. Analiza głównych składowych (PCA - Principal Component Analysis) oraz jej nieliniowa wersja, zwana metodą nieliniowej redukcji wymiarowości (ang. Manifold Learning – ML). Przygotowywanie i analiza statystyk opisowych. Analiza wariancji ANOVA - jedno-czynnikowa i dwu-czynnikowa analiza wariancji, MANOVA. Klasyczne metody analityki predyktywnej: regresja liniowa i nieliniowa, wieloraka, logistyczna.	W03	MEK01 MEK02
4	TK04	Analiza i eksploracja danych w kontekście procesu pozyskiwania wiedzy. Przegląd zadań eksploracji danych: klasyfikacji, estymacji, predykcji, grupowania, uogólnienia. Klasyfikacja przez indukcję drzew decyzyjnych - Drzewa klasyfikacyjne – metoda C&RT (CART - Classification and Regression Trees), ogólne modele CHAID (Chi-square Automatic Interaction Detection). Drzewa Klasyfikacyjne i regresyjne ze wzmacnianiem (Boosted Trees). Miary oceny poprawności klasyfikacji.	W04	MEK01
4	TK05	Wielowymiarowe metody analizy statystycznej. Grupowanie danych: Analiza skupień (cluster analysis). Metody grupowania obiektów. Algorytm k-średnich (ang. k-means). Miary oceny jakości rezultatów skupiania. Rozmyta metoda k-średnich (Fuzzy C-Means).	W05	MEK01 MEK02
4	TK06	Sztuczne sieci neuronowe w analizie danych. Rodzaje sieci neuronowych (MLP, PNN, RBF, Kohonen, SVM) oraz ich zastosowania do zadań analizy danych. Metody uczenia sieci neuronowych. Dobór sieci neuronowych do rozwiązywanych zadań analizy danych (klasyfikacja i regresja, grupowanie obiektów, predykcja, asocjacja).	W06	MEK01 MEK03
4	TK07	Analityka predykcyjna. Przegląd technik i narzędzi wykorzystywanych do predykcji. Przygotowanie danych do tworzenia modeli predykcyjnych. Podejście klasyczne do analityki predyktywnej (regresja: liniowa, wieloraka, logistyczna). Metody, techniki i narzędzia uczenia maszynowego do budowy modeli predykcyjnych. Analiza szeregów czasowych.Analiza szeregów czasowych. Identyfikacja struktury szeregu czasowego. Analiza trendu, analiza sezonowości. Konstrukcja modeli ARIMA. Analiza pojedynczego widma Fouriera. Klasyczne metody dekompozycji szeregów czasowych, metoda CENSUS I	W07, W08	MEK01 MEK03
4	TK08	Wstępne przetwarzanie i przygotowanie danych do analizy. Oczyszczanie danych w MS Excel, przygotowanie danych w Statistica. Statystyki opisowe z wykorzystaniem Analysis Toolpak MS Excel i Statistica. Studium przypadków. Interpretacja uzyskanych wyników analizy.	P01	MEK03
4	TK09	Wstępna analiza danych, standaryzacja i normalizacja. Wizualizacja danych - standardowe wykresy w MS Excel. Graficzna prezentacja statystyk opisowych. Wykres pudełkowy Tukeya. Histogramy. Tabele i wykresy przestawne w MS Excel. Analiza i interpretacja wykresów.	P02	MEK02 MEK03
4	TK10	Analiza statystyczna danych. Analiza wariancji ANOVA, analiza jednoczynnikowa i wieloczynnikowa w MS Excel i w Statistica. Analiza współzależności między zmiennymi. Analiza regresji i korelacji. Wyniki regresji wielokrotnej. Weryfikacja modelu.	P03	MEK02 MEK03 MEK04
4	TK11	Eksploracyjne metody analizy danych: klasyfikacja danych za pomocą drzew decyzyjnych. Zastosowanie drzew decyzyjnych C&RT (pakiet programowy Statistica) do klasyfikacji obiektów z wykorzystaniem zbiorów danych rzeczywistych. Studium przypadków. Interpretacja wyników C&RT. Analiza skupień w Statistica - zastosowanie metody aglomeracyjnej i metody k-średnich do grupowania danych.	P04	MEK01 MEK02 MEK04
4	TK12	Analiza danych za pomocą sieci neuronowych. Zastosowanie Statistica Automatyczne sieci neuronowe (SANN): Przygotowanie danych, m.in. biory danych uczące, testowe i walidacyjne dla sieci. Globalna analiza wrażliwości. Funkcje błędu w uczeniu SN. Analiza danych za pomocą sieci neuronowych: klasyfikacja za pomocą sieci neuronowych, grupowanie obiektów za pomocą sieci neuronowych Kohonena. Analiza danych predyktywna za pomocą sieci neuronowych: regresja i prognozowanie za pomocą sieci neuronowych.	P05, P06	MEK01 MEK02 MEK04
4	TK13	Analiza predyktywna danych. Analiza szeregów czasowych. Metoda wskaźników, dekompozycja sezonowa (Census 1). Rozwiązanie z wykorzystaniem programu MS Excel i pakitu Statistica.Wyznaczanie trendu i wahań sezonowych. Konstrukcja modeli ARIMA (Auto-Regressive Integrated Moving Average). Ocena zbudowanych modeli predykcyjnych i analiza wyników prognozowania.	P07, P08	MEK01 MEK02 MEK03 MEK04

Nakład pracy doktoranta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 4)	Przygotowanie do kolokwium: 5.00 godz./sem.	Godziny kontaktowe: 15.00 godz./sem.	Studiowanie zalecanej literatury: 2.00 godz./sem.
Projekt/Seminarium (sem. 4)	Przygotowanie do zajęć projektowych/seminaryjnych: 5.00 godz./sem.	Godziny kontaktowe: 15.00 godz./sem..
Konsultacje (sem. 4)
Egzamin (sem. 4)	Przygotowanie do egzaminu: 5.00 godz./sem.	Egzamin pisemny: 2.00 godz./sem.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład	Na egzaminie pisemnym sprawdzana jest realizacja wszystkich efektów kształcenia. Aby uzyskać ocenę dostateczną student musi uzyskać 60% punktów. Wyższą ocenę można uzyskać przy następujących progach punktowych: od 65% punktów - 3,5; od 75% punktów - 4,0; od 85% punktów - 4,5; od 95% punktów - 5,0.
Projekt/Seminarium	Zaliczenie praktyczne projektów stanowi warunek dopuszczenia do egzaminu. Sprawdzana jest realizacja trzech efektów kształcenia. Aby uzyskać ocenę dostateczną student musi uzyskać 60% punktów. Wyższą ocenę można uzyskać przy następujących progach punktowych: od 65% punktów - 3,5; od 75% punktów - 4,0; od 85% punktów - 4,5; od 95% punktów - 5,0.
Ocena końcowa	Ocena końcowa stanowi ocenę uzyskanej na egzaminie pisemnym

Przykładowe zadania

Wymagane podczas egzaminu/zaliczenia
(-)

Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)

Inne
(-)

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

Treści zajęć powiazane są z prowadzonymi badaniami naukowymi: tak

1	Ł. Paśko; G. Setlak	Random Forests in a Glassworks: Knowledge Discovery from Industrial Data	2020
2	Ł. Paśko; M. Piróg; G. Setlak	Pozyskiwanie wiedzy z danych przemysłowych do wspomagania decyzji w procesie produkcyjnym	2019