SylabUZ
Course name | Data Warehouse and Data Mining |
Course ID | 11.3-WI-INFP-WHDiBW |
Faculty | Faculty of Computer Science, Electrical Engineering and Automatics |
Field of study | Computer Science |
Education profile | academic |
Level of studies | First-cycle studies leading to Engineer's degree |
Beginning semester | winter term 2019/2020 |
Semester | 6 |
ECTS credits to win | 5 |
Course type | optional |
Teaching language | polish |
Author of syllabus |
|
The class form | Hours per semester (full-time) | Hours per week (full-time) | Hours per semester (part-time) | Hours per week (part-time) | Form of assignment |
Lecture | 15 | 1 | 9 | 0,6 | Credit with grade |
Laboratory | 30 | 2 | 18 | 1,2 | Credit with grade |
Project | 15 | 1 | 9 | 0,6 | Credit with grade |
Bazy danych, Algorytmy i struktury danych
Hurtownie danych (ang. data warehouse). Architektura hurtowni danych (star, snow flake). Zasilanie hurtowni danych (procesy ETL) oraz odświeżanie hurtowni danych. Modelowanie (struktury danych typu ROLAP, MOLAP) Wsparcie dla hurtowni ze strony języka SQL - funkcje analityczne. Indeksowanie oraz optymalizacja zapytań. Indeksy kolumnowe, perspektywy zmaterializowane.
Eksploracja danych (ang. data mining). Omówienie podstawowych zagadnień związanych z dziedziną eksploracji danych. Związek eksploracja danych z hurtowniami danych oraz bazami o charakterze transakcyjnym. Wstępne przetwarzanie danych (czyszczenie, integracja, transformacja, redukcja liczności i wymiarowości, określanie ważności atrybutów). Budowanie modeli do celów szacowania (estymacji) i przewidywania (predykcji). Regresja. Odkrywanie osobliwości. Klasyfikacja danych. Grupowanie danych. Reguły asocjacyjne (analiza koszyka sklepowego, zbiory częste). Odkrywanie wzorców sekwencji. Ważność atrybutów. Wykrywanie anomalii. Wydobywanie z danych cech istotnych. Eksploracja danych potokowych i szeregów czasowych. Eksploracja struktur grafowych oraz sieci Web. Eksploracja tekstu. Wybrane środowiska informatyczne związane z tworzeniem i obsługą hurtowni danych oraz systemów eksploracji danych.
wykład: wykład konwencjonalny
laboratorium: ćwiczenia laboratoryjne
projekt: praca w grupach, metoda projektu
Outcome description | Outcome symbols | Methods of verification | The class form |
Wykład - warunkiem zaliczenia jest uzyskanie pozytywnych ocen z kolokwiów pisemnych lub ustnych przeprowadzonych co najmniej raz w semestrze.
Laboratorium - warunkiem zaliczenia jest uzyskanie pozytywnych ocen ze wszystkich ćwiczeń realizowanych w semestrze.
Projekt - warunkiem zaliczenia jest uzyskanie pozytywnych ocen ze wszystkich projektów realizowanych w semestrze.
Składowe oceny końcowej = wykład: 30% + laboratorium: 30% + projekt: 40%
Modified by prof. dr hab. inż. Andrzej Obuchowicz (last modification: 15-05-2019 12:13)