SylabUZ

Wygeneruj PDF dla tej strony

Data warehouses - opis przedmiotu

Informacje ogólne
Nazwa przedmiotu Data warehouses
Kod przedmiotu 11.3-WE-INFD-DataWareh-Er
Wydział Wydział Informatyki, Elektrotechniki i Automatyki
Kierunek Informatyka
Profil ogólnoakademicki
Rodzaj studiów Program Erasmus drugiego stopnia
Semestr rozpoczęcia semestr zimowy 2020/2021
Informacje o przedmiocie
Semestr 2
Liczba punktów ECTS do zdobycia 5
Typ przedmiotu obowiązkowy
Język nauczania angielski
Sylabus opracował
  • dr hab. inż. Wiesław Miczulski, prof. UZ
Formy zajęć
Forma zajęć Liczba godzin w semestrze (stacjonarne) Liczba godzin w tygodniu (stacjonarne) Liczba godzin w semestrze (niestacjonarne) Liczba godzin w tygodniu (niestacjonarne) Forma zaliczenia
Wykład 30 2 - - Egzamin
Laboratorium 30 2 - - Zaliczenie na ocenę

Cel przedmiotu

  • acquaint students with architectures of data warehouses and multidimensional data models,
  • acquaint students with the basic methods of data mining,
  • shaping basic skills in the practical construction of the data warehouse.

Wymagania wstępne

Databases, Elements of artificial intelligence.

Zakres tematyczny

oracle.sql.NCLOB@4a6b2472

Metody kształcenia

  • Lecture: conventional/traditional lecture with elements of discussion.
  • laboratory: work in the groups, practical excersises.

Efekty uczenia się i metody weryfikacji osiągania efektów uczenia się

Opis efektu Symbole efektów Metody weryfikacji Forma zajęć

Warunki zaliczenia

Lecture – obtaining a positive grade from exam.

Laboratory – the passing condition is to obtain positive marks from all laboratory exercises to be planned during the semester.

 

Calculation of the final grade: lecture 50% + laboratory 50%

Literatura podstawowa

  1. Hand D., Mannila H., Smyth P.: Principles of Data Mining. Massachusetts Institute of Technology, 2001.
  2. Jarke M., Lenzerini M., Vassiliou Y., Vassiliadis P.: Fundamentals of Data Warehouses. Springer-Verlag, Berlin, 2002.
  3. Larose D.T.: Discovering Knowledge in Data. An Introduction to Data Mining.  John Wiley & Sonc, Inc., 2005.
  4. Larose D.T.: Data Mining Methods and Models. John Wiley & Sonc, Inc., 2006.
  5. Rutkowski L.: Computational Intelligence. Methods and Techniques. Springer-Verlag, Berlin, 2008.

Literatura uzupełniająca

  1. Poe V., Klauer P., Brobst S.: Building a Data Warehouse for Decision Support. Prentice-Hall, Inc., a Simon & Schuster Company, 1999.
  2.  Miczulski W., Szulim R.:Using time series approximation methods in the modelling of industrial objects and processes. Measurements models systems and design / ed. by J. Korbicz .- Warszawa : Wydawnictwo Komunikacji i Łączności, 2007 - s. 157--174.
  3.  Miczulski W., Sobolewski Ł.: Algorithm for Predicting [UTC–UTC(k)] by Means of Neural Networks, IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT,   8/2017, s. 2136 - 2142. 

Uwagi


Zmodyfikowane przez dr hab. inż. Wiesław Miczulski, prof. UZ (ostatnia modyfikacja: 24-04-2020 13:37)