Przedmiot specjalizacyjny V - Wybrane problemy eksploracji danych

Informacje ogólne

Kod przedmiotu:	MFI-M.80
Kod Erasmus / ISCED:	(brak danych) / (brak danych)
Nazwa przedmiotu:	Przedmiot specjalizacyjny V - Wybrane problemy eksploracji danych
Jednostka:	Wydział Matematyki, Fizyki i Informatyki
Grupy:
Strona przedmiotu:	http://matematyka.kampus.umcs.lublin.pl
Punkty ECTS i inne:	(brak) Podstawowe informacje o zasadach przyporządkowania punktów ECTS: roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS; tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h; 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się; tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS; nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta. zobacz reguły punktacji
Język prowadzenia:	polski
Wymagania wstępne:	znajomość podstaw statystyki matematycznej
Godzinowe ekwiwalenty punktów ECTS:	Godziny kontaktowe (z udziałem nauczyciela akademickiego) Wykład 15 Laboratorium 30 Konsultacje 5 Łączna liczba godzin z udziałem nauczyciela akademickiego 50 Liczba punktów ECTS z udziałem nauczyciela akademickiego 2 Godziny niekontaktowe (praca własna studenta) Przygotowanie się do laboratorium 15 Studiowanie literatury 10 Przygotowanie projektu 10 Łączna liczba godzin niekontaktowych 35 Liczba punktów ECTS za godziny niekontaktowe 1 Sumaryczna liczba punktów ECTS dla modułu 3
Sposób weryfikacji efektów kształcenia:	ocena ciągła projekt zaliczeniowy
Pełny opis:	W uproszczeniu, badania można podzielić na konfirmacyjne, w których próbuje się potwierdzić lub sfalsyfikować uprzednio postawione hipotezy badawcze oraz eksploracyjne, których celem jest odkrycie prawidłowości w zgromadzonych danych. W dobie coraz powszechniejszego i tańszego rejestrowania, gromadzenia i udostępniania ogromnych ilości danych w związku m. in. z cyfryzacją wszystkich dziedzin życia, aktywnością w mediach społecznościowych, obsługą klienta przez witryny WWW i aplikacje mobilne, rozbudowanymi programami lojalnościowymi czy popularyzacją internetu rzeczy (IoT) znaczenie zyskują metody eksploracji. Stanowią one połączenie statystyki matematycznej i uczenia maszyn (machine learning), a wiedza dzięki nim uzyskana może przesądzić o przewadze konkurencyjnej, skuteczności w wykrywaniu przestępstw finansowych czy optymalizacji procesów decyzyjnych w działalności ubezpieczeniowej czy opiece medycznej. Celem modułu jest zapoznanie studentów z tego typu podejściem do analizy danych oraz sposobem wykorzystania poznanych metod statystyki wielowymiarowej do zgłębiania danych.
Literatura:	1. D.T. Larose, Odkrywanie wiedzy z danych, PWN, Warszawa, 2006 2. D.T. Larose, Metody i modele eksploracji danych, PWN, Warszawa, 2008 3. D.Hand, H.Mannila, P.Smyth, Eksploracja danych, WNT, Warszawa, 2005 4. T. Morzy, Odkrywanie asocjacji: Algorytmy i struktury danych, OWN, 2004. 5. P. Cichosz, Systemy uczące się, WNT, Warszawa, 2000. 6. J. Koronacki, J. Ćwik, Statystyczne systemy uczące się, WNT, Warszawa, 2005 7. S. Brandt, Analiza danych: metody statystyczne i obliczeniowe, PWN, Warszawa, 2002.
Efekty uczenia się:	WIEDZA K_W01 rozumie cywilizacyjne znaczenie matematyki i jej zastosowań K_W02 dobrze rozumie rolę i znaczenie dowodu w matematyce, a także pojęcie istotności założeń K_W03 rozumie budowę teorii matematycznych, potrafi użyć formalizmu matematycznego do budowy i analizy prostych modeli matematycznych w innych dziedzinach nauk K_W04 zna podstawowe twierdzenia z poznanych działów matematyki K_W05 zna podstawowe przykłady zarówno ilustrujące konkretne pojęcia matematyczne, jak i pozwalające obalić błędne hipotezy lub nieuprawnione rozumowania K_W12 ma obraz podstawowych zastosowań matematyki do znanych praw, zjawisk i procesów z innych dziedzin nauki K_W13 zna podstawy probabilistyczne statystyki matematycznej, w szczególności podstawy teorii estymacji oraz weryfikacji hipotez statystycznych UMIEJĘTNOŚCI K_U01 potrafi w sposób zrozumiały, w mowie i na piśmie, przedstawiać poprawne rozumowania matematyczne, formułować twierdzenia i definicje K_U02 posługuje się rachunkiem zdań i kwantyfikatorów i potrafi poprawnie używać go także w języku potocznym K_U03 umie prowadzić łatwe i średnio trudne dowody metodą indukcji zupełnej; potrafi definiować funkcje i relacje rekurencyjne K_U04 umie stosować system logiki klasycznej do formalizacji teorii matematycznych K_U11 potrafi interpretować i wyjaśniać zależności funkcyjne, ujęte w postaci wzorów, tabel, wykresów, schematów i stosować je w zagadnieniach praktycznych K_U34 umie przeprowadzić proste wnioskowanie statystyczne, także z wykorzystaniem programów komputerowych K_U35 potrafi mówić o zagadnieniach matematycznych zrozumiałym, potocznym językiem K_U38 potrafi posługiwać się wybranymi technikami statystycznej analizy wielowymiarowej KOMPETENCJE SPOŁECZNE K_K01 ma świadomość ograniczenia poziomu swojej wiedzy i umiejętności, rozumie potrzebę ciągłego dokształcania się zawodowego i rozwoju osobistego, dokonuje samooceny własnych kompetencji i doskonali umiejętności, wyznacza kierunki własnego rozwoju i kształcenia K_K02 potrafi precyzyjnie formułować pytania, służące pogłębieniu własnego zrozumienia danego tematu lub odnalezieniu brakujących elementów rozumowania K_K03 potrafi pracować zespołowo; rozumie konieczność systematycznej pracy nad wszelkimi projektami, które mają długofalowy charakter K_K07 potrafi formułować opinie na temat podstawowych zagadnień matematycznych

Przedmiot nie jest oferowany w żadnym z aktualnych cykli dydaktycznych.

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Marii Curie-Skłodowskiej w Lublinie.