Cykl kształcenia: 2024/2025
Nazwa jednostki prowadzącej studia: Wydział Elektrotechniki i Informatyki
Nazwa kierunku studiów: Informatyka
Obszar kształcenia: nauki techniczne
Profil studiów: ogólnoakademicki
Poziom studiów: drugiego stopnia
Forma studiów: stacjonarne
Specjalności na kierunku: H - Cyberbezpieczeństwo i technologie chmurowe, I - Inżynieria inteligentnych systemów informatycznych, S - Systemy i sieci komputerowe
Tytuł otrzymywany po ukończeniu studiów: magister inżynier
Nazwa jednostki prowadzącej zajęcia: Katedra Informatyki i Automatyki
Kod zajęć: 1426
Status zajęć: obowiązkowy dla specjalności I - Inżynieria inteligentnych systemów informatycznych
Układ zajęć w planie studiów: sem: 1 / W30 L15 / 4 ECTS / Z
Język wykładowy: polski
Imię i nazwisko koordynatora 1: dr hab. inż. prof. PRz Mariusz Oszust
Imię i nazwisko koordynatora 2: dr inż. Bartosz Jędrzejec
Główny cel kształcenia: Zdobycie wiedzy i umiejętności w zakresie funkcjonowania, projektowania oraz użytkowania systemów analizy dużych zbiorów danych wykorzystujących hurtownie danych oraz metody eksploracji danych.
Ogólne informacje o zajęciach: W ramach przedmiotu omawiane są pojęcia, algorytmy, techniki oraz systemy wykorzystujące hurtownie danych oraz metody eksploracji danych, w tym: (1) wstępna obróbka danych, (2) projektowanie i implementacja systemów hurtowni danych i aplikacji OLAP, (3) technologia kostek danych, (4) odkrywanie częstych wzorców i asocjacji, (5) klasyfikacja oraz (6) analiza skupień (klastrów). Student powinien postrzegać eksplorację danych jako proces obejmujący fazy: rozpoznania danych, wstępnego przetwarzania, modelowania, oceny uzyskanych wzorców oraz wdrożenia wyników eksploracji.
1 | D.T. Larose | Odkrywanie wiedzy z danych. Wprowadzenie do eksploracji danych | Wydawnictwo Naukowe PWN. | 2006 |
2 | A. Zagdański, A. Suchwałko | Analiza i prognozowanie szeregów czasowych | Wydawnictwo Naukowe PWN. | 2016 |
3 | J. Han, M. Kamber, J. Pei | Data Mining: Concepts and Techniques, 3rd ed. | Morgan Kaufman. | 2011 |
4 | C. C. Aggarwal | Data Mining: The Textbook | Springer. | 2015 |
1 | D.T. Larose | Odkrywanie wiedzy z danych. Wprowadzenie do eksploracji danych | Wydawnictwo Naukowe PWN. | 2006 |
Wymagania formalne: Student wpisany na pierwszy semestr studiów magisterskich.
Wymagania wstępne w kategorii Wiedzy: Podstawy struktur danych i programowania
Wymagania wstępne w kategorii Umiejętności: Pożądana znajomość podstaw technologii baz danych
Wymagania wstępne w kategorii Kompetencji społecznych: Znajomość i przestrzeganie obowiązków studenta oraz podstawowych zasad etyki
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 | Rozumie potrzebę wstępnego przetwarzania danych a także ma podstawową wiedzę z zakresu transformacji i redukcji danych, selekcji cech oraz miar podobieństwa i odległości. | wykład, laboratorium | kolokwium |
K_W01++ K_U05+ |
P7S_UW P7S_WG |
02 | Ma podstawową wiedzę na temat hurtowni danych i związanych z nimi modeli wielowymiarowych oraz jest w stanie przeprowadzać proste analizy OLAP na kostce danych. | wykład, laboratorium | kolokwium |
K_U02+ |
P7S_UU |
03 | Ma podstawową wiedzę na temat pojęć i technik z zakresu analizy asocjacji, korelacji a także analizy częstych wzorców. | wykład, laboratorium | kolokwium |
K_W03+ K_U06+ |
P7S_UW P7S_WG |
04 | Ma podstawową wiedzę na temat pojęć i technik z zakresu metod klasyfikacji i regresji oraz metod detekcji anomalii. | wykład, laboratorium | kolokwium |
K_W03+++ K_U06+ |
P7S_UW P7S_WG |
05 | Ma podstawową wiedzę na temat pojęć i technik z zakresu metod grupowania | wykład, laboratorium | kolokwium |
K_W03++ K_U05+ K_U06+ |
P7S_UW P7S_WG |
06 | Ma podstawową wiedzę na temat wybranych metod przeglądowej analizy danych. | wykład, laboratorium | kolokwium |
K_W01+ K_U05+ |
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).
Sem. | TK | Treści kształcenia | Realizowane na | MEK |
---|---|---|---|---|
1 | TK01 | W01-W02 | MEK01 MEK02 MEK03 MEK04 MEK05 MEK06 | |
1 | TK02 | W03 | MEK02 | |
1 | TK03 | W04 | MEK02 | |
1 | TK04 | W05 | MEK06 | |
1 | TK05 | W06 | MEK03 | |
1 | TK06 | W07 | MEK03 | |
1 | TK07 | W08 | MEK01 | |
1 | TK08 | W09 | MEK01 | |
1 | TK09 | W10-W11 | MEK05 | |
1 | TK10 | W12-W13 | MEK04 | |
1 | TK11 | W14- W15 | MEK04 | |
1 | TK12 | L01-L7 | MEK01 MEK02 MEK03 MEK04 MEK05 MEK06 |
Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
---|---|---|---|
Wykład (sem. 1) | Przygotowanie do kolokwium:
2.00 godz./sem. |
Godziny kontaktowe:
30.00 godz./sem. |
Uzupełnienie/studiowanie notatek:
5.00 godz./sem. Studiowanie zalecanej literatury: 10.00 godz./sem. |
Laboratorium (sem. 1) | Przygotowanie do laboratorium:
10.00 godz./sem. Przygotowanie do kolokwium: 10.00 godz./sem. |
Godziny kontaktowe:
15.00 godz./sem. |
Dokończenia/wykonanie sprawozdania:
5.00 godz./sem. |
Konsultacje (sem. 1) | Udział w konsultacjach:
5.00 godz./sem. |
||
Zaliczenie (sem. 1) | Przygotowanie do zaliczenia:
10.00 godz./sem. |
Zaliczenie pisemne:
1.00 godz./sem. |
Forma zajęć | Sposób wystawiania oceny podsumowującej |
---|---|
Wykład | Zaliczenie |
Laboratorium | Kolokwium |
Ocena końcowa | średnia ocen z kolokwium i zaliczenia |
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
1 | K. Cymerys; M. Oszust | Attraction–Repulsion Optimization Algorithm for Global Optimization Problems | 2024 |
2 | M. Oszust; I. Stępień | No-Reference Image Quality Assessment of Magnetic Resonance images with multi-level and multi-model representations based on fusion of deep architectures | 2023 |
3 | M. Oszust; I. Stępień | TIQA-PSI: Toolbox for perceptual Image Quality Assessment of Pan-Sharpened Images | 2023 |
4 | M. Bielecka; A. Bielecki; R. Obuchowicz; M. Oszust; A. Piórkowski; I. Stępień | Blind image quality assessment of magnetic resonance images with statistics of local intensity extrema | 2022 |
5 | M. Oszust; D. Warchoł | Augmentation of Human Action Datasets with Suboptimal Warping and Representative Data Samples | 2022 |
6 | M. Oszust; D. Warchoł | Efficient Augmentation of Human Action Recognition Datasets with Warped Windows | 2022 |
7 | M. Oszust; D. Warchoł | Time Series Augmentation with Time-Scale Modifications and Piecewise Aggregate Approximation for Human Action Recognition | 2022 |
8 | M. Oszust; I. Stępień | A Brief Survey on No-Reference Image Quality Assessment Methods for Magnetic Resonance Images | 2022 |
9 | M. Oszust; I. Stępień | No-Reference Quality Assessment of Pan-Sharpening Images with Multi-Level Deep Image Representations | 2022 |
10 | S. Dippel; V. Grossmann; R. Kiko; R. Koch; M. Oszust; M. Pastell; L. Schmarje; J. Stracke; A. Valros; N. Volkmann; C. Zelenka | Is one annotation enough? - A data-centric image classification benchmark for noisy and ambiguous label estimation | 2022 |
11 | J. Krupski; M. Oszust | Isolated Sign Language Recognition with Depth Cameras | 2021 |
12 | K. Cymerys; M. Oszust; G. Sroka | A hybridization approach with predicted solution candidates for improving population-based optimization algorithms | 2021 |
13 | M. Oszust | Enhanced Marine Predators Algorithm with Local Escaping Operator for Global Optimization | 2021 |
14 | M. Oszust; G. Sroka | Approximation of the Constant in a Markov-Type Inequality on a Simplex Using Meta-Heuristics | 2021 |
15 | M. Oszust; M. Rajchel | No-reference image quality assessment of authentically distorted images with global and local statistics | 2021 |
16 | R. Obuchowicz; M. Oszust; A. Piórkowski; I. Stępień | Fusion of Deep Convolutional Neural Networks for No-Reference Magnetic Resonance Image Quality Assessment | 2021 |
17 | K. Kamycki; T. Kapuściński; M. Oszust | Data Augmentation with Suboptimal Warping for Time-Series Classification | 2020 |
18 | M. Bielecka; A. Bielecki; R. Obuchowicz; M. Oszust; A. Piórkowski | Magnetic resonance image quality assessment by using non-maximum suppression and entropy analysis | 2020 |
19 | R. Obuchowicz; M. Oszust; A. Piórkowski | Interobserver variability in quality assessment of magnetic resonance images | 2020 |
20 | R. Obuchowicz; M. Oszust; A. Piórkowski | No-reference image quality assessment of magnetic resonance images with high-boost filtering and local features | 2020 |
21 | M. Oszust | Członkostwo w komitecie redakcyjnym czasopisma „SIGNAL IMAGE AND VIDEO PROCESSING” | 2019 |
22 | M. Oszust | Local Feature Descriptor and Derivative Filters for Blind Image Quality Assessment | 2019 |
23 | M. Oszust | No-Reference Image Quality Assessment with Local Gradient Orientations | 2019 |
24 | M. Oszust | No-Reference quality assessment of noisy images with local features and visual saliency models | 2019 |
25 | T. Kapuściński; J. Marnik; M. Oszust; D. Warchoł; M. Wysocki | Układ wspomagający komunikowanie się osób głuchoniemych z osobami słyszącymi i sposób wspierania takiego komunikowania się | 2019 |