SylabUZ

Wygeneruj PDF dla tej strony

Business intelligence systems - opis przedmiotu

Informacje ogólne
Nazwa przedmiotu Business intelligence systems
Kod przedmiotu 11.9-WE-INFD-BusIntSys-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. Marek Kowal, 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 - - Zaliczenie na ocenę
Laboratorium 30 2 - - Zaliczenie na ocenę

Cel przedmiotu

  • developing skills in the design and implementation of data warehouses
  • familiarize students with the methods of business data mining

Wymagania wstępne

Zakres tematyczny

Data Warehouses. Data Sources. Data Integration. Review and characteristics of typical data transformation operations. Planning and implementation of data integration processes. Data collection in data warehouses, relational and multidimensional approach. Design and implementation of OLAP cubes. Presentation of analysis results in the form of reports. Programming ETL packages using MS SQL Server Integration Services and creating data cubes using MS SQL Server Analysis Services.

Data mining. Methods for discovering outliers and automatic completion of missing data. Selection of relevant variables. Methods for discovering association rules and sequences. Data clustering using hierarchical and iterative-optimization algorithms. Data Classification. Methods: k-nearest neighbors algorithm, decision trees, naive Bayesian classifier and SVM. Time series analysis using parametric models. Review of IT systems supporting data mining. The use of artificial neural networks for data mining. Practical exercises in data mining using SAS Enterprise Miner software.

Metody kształcenia

Lecture, laboratory exercises.

Efekty uczenia się i metody weryfikacji osiągania efektów uczenia się

Opis efektu Symbole efektów Metody weryfikacji Forma zajęć

Warunki zaliczenia

Lecture – the passing condition is to obtain a positive mark from the final test.

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. Aggarwal C.C.: Data mining, Springer, 2015.
  2. Kimball R., Ross M.: The Data Warehouse Toolkit: The Complete Guide to Dimensional Modeling (Second Edition), Wiley, 2002.
  3. Goodfellow I., Bengio Y. Courville A. Deep learning, MIT, 2016
  4. James G, Witten D., Hastie T., Tibshirani R. An Introduction to Statistical Learning, Springer, 2014
  5. Russo M., Ferrari A. Tabular Modeling in Microsoft SQL Server Analysis Services, Microsoft Press, 2017
  6. SQL Server 2012 Tutorials: Analysis Services - Multidimensional Modeling SQL Server 2012 Books Online, Microsoft, 2012
  7. Sarka D., Lah M. Jerkic, Implementing a Data Warehouse with Microsoft SQL Server 2012, O’Reilly, 201

Literatura uzupełniająca

Uwagi


Zmodyfikowane przez dr hab. inż. Marek Kowal, prof. UZ (ostatnia modyfikacja: 27-04-2020 00:36)