SylabUZ
Course name | Data mining |
Course ID | 04.2-WE-BEP-ED |
Faculty | Faculty of Computer Science, Electrical Engineering and Automatics |
Field of study | E-business |
Education profile | practical |
Level of studies | First-cycle studies leading to Engineer's degree |
Beginning semester | winter term 2022/2023 |
Semester | 2 |
ECTS credits to win | 3 |
Course type | obligatory |
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 |
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.
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.
Wykład - wykład konwencjonalny z wykorzystaniem wideoprojektora.
Laboratorium - ćwiczenia praktyczne w laboratorium komputerowym.
Outcome description | Outcome symbols | Methods of verification | The class form |
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%
Modified by dr hab. inż. Marek Kowal, prof. UZ (last modification: 30-04-2022 12:19)