logo
Karta przedmiotu
logo

Drzewa decyzyjne

Podstawowe informacje o zajęciach

Cykl kształcenia: 2022/2023

Nazwa jednostki prowadzącej studia: Wydział Matematyki i Fizyki Stosowanej (p.prakt)

Nazwa kierunku studiów: Inżynieria i analiza danych

Obszar kształcenia: nauki ścisłe

Profil studiów: praktyczny

Poziom studiów: drugiego stopnia

Forma studiów: stacjonarne

Specjalności na kierunku:

Tytuł otrzymywany po ukończeniu studiów: magister inżynier

Nazwa jednostki prowadzącej zajęcia: Zakład Modelowania Matematycznego

Kod zajęć: 14802

Status zajęć: obowiązkowy dla programu

Układ zajęć w planie studiów: sem: 2 / W15 L15 / 2 ECTS / Z

Język wykładowy: polski

Imię i nazwisko koordynatora: dr hab. prof. PRz Andrzej Włoch

Cel kształcenia i wykaz literatury

Główny cel kształcenia: Zapoznanie z teoretycznymi podstawami metod drzew decyzyjnych i lasów losowych oraz ich praktycznymi zastosowaniami.

Ogólne informacje o zajęciach: Teoretyczne treści są przedstawiane na wykładzie i stosowane praktycznie na zajęciach laboratoryjnych.

Wykaz literatury, wymaganej do zaliczenia zajęć
Literatura wykorzystywana podczas zajęć wykładowych
1 T. Hastie, R. Tibshirani, J. Friedman The Elements of Statistical Learning Springer, New York. 2001
2 G. James, D. Witten, T. Hastie, R. Tibshirani An Introduction to Statistical Learning: With Applications in R Springer, New York. 2013
Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych
1 J. Koronacki, J. Ćwik Statystyczne systemy uczące się Exit,Warsaw. 2008
2 J. Ćwik, J. Mielniczuk Statystyczne systemy uczące się. Ćwiczenia w oparciu o pakiet R WNT . 2009

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

Wymagania formalne: Zgodnie z regulaminem studiów.

Wymagania wstępne w kategorii Wiedzy: Znajomość pojęć i metod z matematyki dyskretnej, teorii grafów i rachunku prawdopodobieństwa. Opanowanie podstaw programowania w R.

Wymagania wstępne w kategorii Umiejętności: Umiejętność posługiwania się pojęciami z matematyki dyskretnej i rachunku prawdopodobieństwa, Programowanie w R.

Wymagania wstępne w kategorii Kompetencji społecznych: Umiejetność pracy w zespole.

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 Zna podstawowe metody stosowane w analizie danych. wykład, laboratorium zaliczenie cz. praktyczna, kolokwium, obserwacja wykonawstwa K_W02+++
K_W04++
K_W10+++
K_W11+++
K_U04+++
K_U05++
P7S_UW
P7S_WG
02 Potrafi przeanalizować problem i rozwiązać go praktycznie. wykład, laboratorium zaliczenie cz. praktyczna, kolokwium, obserwacja wykonawstwa K_W02+++
K_W04+++
K_W10+
K_U03+++
K_U04+++
K_U05+++
K_U11+++
K_K01++
P7S_KK
P7S_UW
P7S_WG
03 Zna mocne i słabe strony metod używanych w analizie danych. Potrafi dobrać odpowiedni model do rozwiązania problemu. wykład, laboratorium zaliczenie cz. praktyczna, kolokwium, obserwacja wykonawstwa K_W02+++
K_W04++
K_U04++
K_U09+++
K_K01+++
K_K02++
P7S_KK
P7S_KO
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
2 TK01 Wiadomości wstępne - przypomnienie. Teoretyczne podstawy konstrukcji drzew decyzyjnych. W01-W04, MEK01 MEK02 MEK03
2 TK02 Drzewa decyzyjne. Algorytmy tworzenia drzew decyzyjnych. Zastosowania. W05-W08 MEK01 MEK02 MEK03
2 TK03 Boosting i Bagging. W09,W10 MEK01 MEK02
2 TK04 Lasy losowe. Zastosowania. W11,W12 MEK01 MEK02 MEK03
2 TK05 Uogólnienia, modyfikacje. Grafy decyzyjne. W13-W15 MEK01 MEK02

Nakład pracy studenta

Forma zajęć Praca przed zajęciami Udział w zajęciach Praca po zajęciach
Wykład (sem. 2) Przygotowanie do kolokwium: 5.00 godz./sem.
Godziny kontaktowe: 15.00 godz./sem.
Uzupełnienie/studiowanie notatek: 3.00 godz./sem.
Studiowanie zalecanej literatury: 3.00 godz./sem.
Laboratorium (sem. 2) Przygotowanie do laboratorium: 5.00 godz./sem.
Godziny kontaktowe: 15.00 godz./sem.
Dokończenia/wykonanie sprawozdania: 5.00 godz./sem.
Konsultacje (sem. 2)
Zaliczenie (sem. 2) Przygotowanie do zaliczenia: 5.00 godz./sem.
Zaliczenie pisemne: 2.00 godz./sem.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć Sposób wystawiania oceny podsumowującej
Wykład Udział w wykładach.
Laboratorium Ocena z laboratorium jest oceną z zaliczenia przy komputerze i obserwacji wykonawstwa
Ocena końcowa Ocena końcowa jest średnią arytmetyczną ocen z kolokwium (laboratorium) i zaliczenia.

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 E. Özkan; D. Strzałka; A. Włoch; N. Yilmaz On Doubled and Quadrupled Fibonacci Type Sequences 2024
2 P. Jaśkiewicz; B. Kozicki; A. Włoch; J. Zieliński The Impact of the Covid-19 Pandemic and the War Between Russia and Ukraine on Electricity Prices in Selected European Countries in 2022 in Terms of Economic Security 2023
3 R. Grabowski; B. Kozicki; S. Mitkow; A. Włoch Impact of Covid-19 Pandemic on Economic Security - Multidimensional Analysis of Real Estate Market Across Poland 2022
4 U. Bednarz; A. Włoch; M. Wołowiec-Musiał New Types of Distance Padovan Sequences via Decomposition Technique 2022
5 B. Datsko; A. Kunynets; M. Kutniv; A. Włoch New explicit high‐order one‐step methods for singular initial value problems 2021
6 D. Bród; A. Włoch (2,k)-Distance Fibonacci Polynomials 2021
7 D. Strzałka; A. Włoch; S. Wolski Distance Fibonacci Polynomials by Graph Methods 2021
8 E. Özkan; A. Włoch; N. Yilmaz On F3(k,n)-numbers of the Fibonacci type 2021
9 A. Włoch; I. Włoch On some multinomial sums related to the Fibonacci type numbers 2020
10 B. Datsko; A. Kunynets; M. Kutniv; A. Włoch A new approach to constructing of explicit one-step methods of high order for singular initial value problems for nonlinear ordinary differential equations 2020
11 B. Datsko; M. Kutniv; A. Włoch Mathematical modelling of pattern formation in activator–inhibitor reaction–diffusion systems with anomalous diffusion 2020
12 H. Czyż; T. Jasiński; A. Włoch A Statistical Method for Calculating the Velocity of Acoustic Waves in Extreme Conditions 2019
13 H. Czyż; T. Jasiński; A. Włoch Separation of Cells from Plasma by Means of Ultrasonics 2019
14 H. Czyż; T. Jasiński; A. Włoch The Application of the Special Functions to Solving Physical Problems 2019