Uniwersytet Kazimierza Wielkiego w Bydgoszczy - Centralny System UwierzytelnianiaNie jesteś zalogowany | zaloguj się
katalog przedmiotów - pomoc

Metody eksploracji danych 1300-Inf11MED-SD
Laboratorium (LAB) Semestr zimowy 2019/20

Informacje o zajęciach (wspólne dla wszystkich grup)

Liczba godzin: 15
Limit miejsc: (brak limitu)
Zaliczenie: Zaliczenie na ocenę
Rygory zaliczenia zajęć: zaliczenie na ocenę
Literatura uzupelniająca: 1. Rojek I.: Zastosowania metod sztucznej inteligencji w projektowaniu i
nadzorowaniu procesów technologicznych obróbki skrawaniem,
Bydgoszcz, UKW, 2017
2. Larose D., Odkrywanie wiedzy z danych. Wprowadzenie do eksploracji
danych, PWN 2006
3. Krawiec K., Stefanowski J., Uczenie maszynowe i sieci neuronowe,
Poznań, Wydaw. Politechniki Poznańskiej, 2004.
4. Cichosz P., Systemy uczące się, Warszawa, WNT, 2000
5. https://searchsqlserver.techtarget.com/definition/data-mining
Metody dydaktyczne: ćwiczenia laboratoryjne
Metody dydaktyczne - inne: prezentacja przykładu, objaśnienie, praca samodzielna z komputerem
Literatura:

1. Morzy T., Eksploracja danych: metody i algorytmy, PWN, 2018

2. Osowski S., Metody i narzędzia eksploracji danych , BTC, 2013

3. Larose D., Metody i modele eksploracji danych, PWN 2008

Efekty uczenia się:

U1, U2, U3

Metody i kryteria oceniania:

W zakresie laboratoriów efekty kształcenia przedstawione wyżej weryfikowane są na podstawie oceny bieżącego postępu realizacji zadań problemowych.

Ocena końcowa w zakresie laboratoriów polega na weryfikowaniu założonych efektów kształcenia poprzez ocenę wiedzy i umiejętności wykazanych podczas wykonywania zadań problemowych oraz sprawdzianu zaliczeniowego.

Sprawdzian składa się z 5 zadań problemowych, za które można uzyskać łącznie 20pkt.

Zaliczenie na ocenę 3.0 wymaga uzyskania 50% maksymalnej liczby punktów.

Zakres tematów:

Program laboratorium obejmuje następujące zagadnienia:

Wstępne przygotowanie danych do procesów eksploracji danych: dyskretyzacja, normalizacja, zastępowanie wartości brakujących, wyznaczanie i eliminacja wartości odstających na przykładach środowisk Statsoft Statistica DataMiner, Weka.

Wstępne przetwarzanie atrybutów. Ocena ważności atrybutów, metody ważenia atrybutów, test chi-kwadrat, ważenie atrybutów za pomocą entropii.

Odkrywanie reguł asocjacyjnych i ich algorytmy. Algorytmy znajdowania zbiorów częstych i asocjacji.

Wprowadzenie do problemów klasyfikacji, podział zbioru danych na zbiór uczący i testujący.

Klasyfikatory regułowe, proste klasyfikatory drzewiaste, metody indukcji drzew decyzyjnych, miary oceny jakości podziału zbioru: indeks Giniego, entropia, Information Gain.

Naiwny klasyfikator Bayesa.

Metody oceny i testowania klasyfikatorów, wielokryterialna ocena nauczonych modeli. Miary w ocenie jakości modeli. Uczenie klasyfikatorów przy pomocy macierzy kosztów.

Rodzina algorytmów SVM.

Eksperymenty numeryczne z wybranymi metodami opartymi na podobieństwie oraz z metodami selekcji i generacji prototypów.

Zapoznanie z różnymi popularnymi środowiskami służącymi do analizy danych.

Grupy zajęciowe

zobacz na planie zajęć

Grupa Termin(y) Prowadzący Miejsca Akcje
1 co drugi poniedziałek (parzyste), 15:30 - 17:00, sala 106 (PS)
Izabela Rojek 15/15 szczegóły
Wszystkie zajęcia odbywają się w budynku:
Budynek przy ulicy M. Kopernika
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Kazimierza Wielkiego w Bydgoszczy.