Cel kształcenia i wykaz literatury

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.

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

1	D.T. Larose	Odkrywanie wiedzy z danych. Wprowadzenie do eksploracji danych	Wydawnictwo Naukowe PWN.	2006
2	J. Han, M. Kamber, J. Pei	Data Mining: Concepts and Techniques, 3rd ed.	Morgan Kaufman.	2011
3	A. Zagdański, A. Suchwałko	Analiza i prognozowanie szeregów czasowych	Wydawnictwo Naukowe PWN.	2016
4	C. C. Aggarwal	Data Mining: The Textbook	Springer.	2015

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

1

D.T. Larose

Odkrywanie wiedzy z danych. Wprowadzenie do eksploracji danych

Wydawnictwo Naukowe PWN.

2006

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

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

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	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).

Treści kształcenia dla zajęć

Sem.	TK	Treści kształcenia	Realizowane na	MEK
1	TK01	Wprowadzenie do odkrywania wiedzy z danych.	W01	MEK01 MEK02 MEK03 MEK04 MEK05 MEK06
1	TK02	Pojęcie i architektura hurtowni danych	W02	MEK02
1	TK03	Wielowymiarowy model danych. Operacje OLAP	W02	MEK02
1	TK04	Analiza przeglądowa danych	W03	MEK06
1	TK05	Podstawowe pojęcia z zakresu częstych wzorców i analizy asocjacji	W04	MEK03
1	TK06	Przykłady zastosowań reguł asocjacyjnych	W04	MEK03
1	TK07	Przetwarzanie wstępne, redukcja i transformacja danych.	W05	MEK01
1	TK08	Miary podobieństwa i odległości. Wizualizacja danych. Selekcja cech.	W05	MEK01
1	TK09	Wybrane metody grupowania. Algorytmy grupowania dla różnych typów danych, dużej skali i wymiarowości. Ocena jakości grupowania.	W06	MEK05
1	TK10	Wybrane metody klasyfikacji. Klasyfikacja z małą liczbą przykładów, skalowalność, różne typy danych.	W07	MEK04
1	TK11	Wybrane metody regresji. Zespoły metod. Wykrywanie anomalii.	W08	MEK04
1	TK12	(i) Nauka użytkowania systemów eksploracji danych przez pracę z wybranym oprogramowaniem wspomagającym zarządzanie hurtownią danych, analizę OLAP i eksplorację danych; (ii) Realizacja wybranych funkcji eksploracji danych, jak: analiza przeglądowa, generowanie asocjacji, klasyfikacja oraz klasteryzacja; (iii) Wykorzystanie przykładowych ogólnodostępnych zbiorów danych.	L01-L7	MEK01 MEK02 MEK03 MEK04 MEK05 MEK06

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 1)	Przygotowanie do kolokwium: 10.00 godz./sem.	Godziny kontaktowe: 15.00 godz./sem.	Uzupełnienie/studiowanie notatek: 5.00 godz./sem. Studiowanie zalecanej literatury: 20.00 godz./sem.
Laboratorium (sem. 1)	Przygotowanie do laboratorium: 10.00 godz./sem. Przygotowanie do kolokwium: 10.00 godz./sem.	Godziny kontaktowe: 10.00 godz./sem.	Dokończenia/wykonanie sprawozdania: 5.00 godz./sem.
Konsultacje (sem. 1)
Zaliczenie (sem. 1)	Przygotowanie do zaliczenia: 10.00 godz./sem.	Zaliczenie pisemne: 1.00 godz./sem.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład	Zaliczenie
Laboratorium	kolokwium
Ocena końcowa	średnia ocena z kolokwium

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

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