1. SylabUZ
2. Faculty of Computer Science, Electrical Engineering and Automatics
3. winter term 2022/2023
4. E-business - First-cycle studies leading to Engineer's degree
5. Data mining

Generate PDF for this page

Data mining - course description

Aim of the course

Poznanie oprogramowania do eksploracji danych. Poznanie metod eksploracji danych (klasyfikacja danych, odkrywania reguł asocjacji, klasteryzacja danych) oraz nabycie umiejętności wykorzystania poznanych metod w praktycznych zastosowaniach.  

 

Prerequisites

Save changes

Scope

Zapoznanie z oprogramowaniem do eksploracji danych. Typy i skale zmiennych w zadaniach eksploracji danych. Metody kodowania zmiennych nominalnych i porządkowych.

Wprowadzenie do klasyfikacji danych. Metody klasyfikacji danych (regresja logistyczna, drzewa decyzyjne, sztuczne sieci sieci neuronowe). Miary oceny klasyfikacji. Metody testowania klasyfikatorów. Ćwiczenia praktyczne z wykorzystania metod klasyfikacji danych. 

Wprowadzenie do zagadnienia odkrywania wzorców asocjacji.  Miary opisujące statystyczną ważności i siłę reguł asocjacji. Problem analizy koszyka zakupów. Złożoność obliczeniowa problemu odkrywania reguł asocjacji. Algorytm Apriori. Ćwiczenia praktyczne z wykorzystania metod odkrywania reguł asocjacjii.

Wprowadzenie do zagadnienia klasteryzacji danych. Klasteryzacja hierarchiczna oraz k-means. Miary podobieństwa stosowane w klasteryzacji. Ćwiczenia praktyczne z wykorzystania metod klasteryzacji danych.

Teaching methods

Wykład - wykład konwencjonalny z wykorzystaniem wideoprojektora.
Laboratorium - ćwiczenia praktyczne w laboratorium komputerowym.

 

Learning outcomes and methods of theirs verification

Outcome description	Outcome symbols	Methods of verification	The class form

Assignment conditions

Wykład - warunkiem zaliczenia jest uzyskanie pozytywnych oceny z testu z pytaniami zamkniętymi i otwartymi na koniec semestru oraz z pracy pisemnej. Ocena końcowa jest średnią arytmetyczną z dwóch uzyskanych ocen.

Laboratorium - warunkiem zaliczenia jest uzyskanie pozytywnych ocen ze sprawozdań do wszystkich ćwiczeń laboratoryjnych.

Składowe oceny końcowej = wykład: 50% + laboratorium: 50%

Recommended reading

1. James G., Witten D., Hastie T., Tibshirani R., An introduction to statistical learning with applications in R, Springer, 2021.
2. Morzy T.: Eksploracja danych. Metody i algorytmy., Warszawa, PWN, 2013.
3. Aggarwal C.C.: Data Mining, Springer, 2015.
4. Foreman J.W., Mistrz analizy danych Od danych do wiedzy, Helion, 2017
5. Osowski S., Metody i narzędzia eksploracji danych, BTC, 2013.
6. Larose D. T., Metody i modele eksploracji danych, Warszawa, PWN, 2008.
7. Hand D., Mannila H., Smyth P., Eksploracja danych, Warszawa, WNT, 2005.
8. Larose D. T., Odkrywanie wiedzy z danych, Warszawa, PWN, 2006.

Further reading

1. Hastie T., Tibshirani R., Friedman J.H.: The Elements of Statistical Learning, Springer 2001
2. Alexander M., Decker J., Wehbe B.: Zaawansowane wykorzystanie Excela. Analizy Business Intelligence, Helion, 2015.
3. Stąpor K., Automatyczna klasyfikacja obiektów, EXIT, 2005.
4. Han J., Kamber, M., Data Mining: Concepts and Techniques, Morgan Kaufmann, 2011.
5. Hand D., Mannila H., Smyth P., Eksploracja danych, Warszawa, WNT, 2005.
6. Lasek M.,  Pęczkowski M., Enterprise Miner. Wykorzystywanie narzędzi Data Mining w systemie SAS, Wydawnictwa Uniwersytetu Warszawskiego, 2017.

Notes

Modified by dr hab. inż. Marek Kowal, prof. UZ (last modification: 30-04-2022 12:19)