SylabUZ
| Course name | Data Warehouses |
| Course ID | 11.3-WE-INFD-HurDanych-ZSI |
| Faculty | Faculty of Computer Science, Electrical Engineering and Automatics |
| Field of study | Computer Science |
| Education profile | academic |
| Level of studies | Second-cycle studies leading to MSc degree |
| Beginning semester | winter term 2022/2023 |
| Semester | 2 |
| ECTS credits to win | 5 |
| 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 | 30 | 2 | 18 | 1,2 | Exam |
| Laboratory | 30 | 2 | 18 | 1,2 | Credit with grade |
- zapoznanie studentów z architekturami hurtowni danych i modelami danych,
- zapoznanie studentów z podstawowymi metodami eksploracji danych,
- ukształtowanie podstawowych umiejętności w zakresie praktycznej budowy hurtowni danych.
Bazy danych, Elementy sztucznej inteligencji.
Wprowadzenie. Terminologia związana z eksploracją wiedzy. Metodologia zgłębiania danych. Analiza problemu. Pobieranie i czyszczenie danych. Zatwierdzanie
danych. Utworzenie i sprawdzanie modelu. Wysyłanie zapytań dotyczących danych zawartych w modelu. Utrzymywanie ważności modelu.
Architektury i infrastruktury hurtowni danych. Ogólna architektura hurtowni danych. Architektura wydziałowa i tematyczna hurtowni danych. Architektura federacyjna i warstwowa hurtowni danych. Infrastruktury techniczne i ich relacje z architekturą hurtowni danych.
Cykl życia wspomagania podejmowania decyzji. Etapy cyklu życia wspomagania podejmowania decyzji.
Wielowymiarowe modele danych i agregacje. System OLAP. Modele ROLAP, MOLAP, HOLAP. Modele logiczne i pojęciowe informacji wielowymiarowej.
Wybrane metody eksploracji. Grupowanie. Klasyfikacja. Odkrywanie asocjacji. Odkrywanie sekwencji. Analiza szeregów czasowych. Przykłady zastosowania eksploracji danych.
Wykład: wykład konwencjonalny/tradycyjny, dyskusja, konsultacje.
Laboratorium: ćwiczenia laboratoryjne, praca w grupach.
| Outcome description | Outcome symbols | Methods of verification | The class form |
Wykład - warunkiem zaliczenia jest uzyskanie pozytywnej oceny z egzaminu pisemnego.
Laboratorium - warunkiem zaliczenia jest uzyskanie pozytywnych ocen ze wszystkich ćwiczeń laboratoryjnych, przewidzianych do realizacji w ramach programu laboratorium.
Składowe oceny końcowej = wykład: 50% + laboratorium: 50%.
1. Hand D., Mannila H., Smyth P.: Eksploracja danych, WNT, Warszawa, 2005.
2. Jarke M., Lenzerini M., Vassiliou Y., Vassiliadis P.: Hurtownie danych. Podstawy organizacji i funkcjonowania, WSiP, Warszawa, 2003.
3. Larose D.T.: Odkrywanie wiedzy z danych. Wprowadzenie do eksploracji danych, PWN, Warszawa, 2006.
4. Larose D.T.: Metody i modele eksploracji danych, PWN, Warszawa, 2008.
5. Morzy T.: Eksploracja danych. Metody i algorytmy, PWN, Warszawa, 2013.
1. Rutkowski L.: Metody i techniki sztucznej inteligencji, PWN, Warszawa, 2005.
2. Ch. Todman: Projektowanie hurtowni danych, Wydawnictwo Naukowo – Techniczne, Warszawa, 2003.
3. M. Nycz: Pozyskiwanie wiedzy i zarządzanie wiedzą, Wydawnictwo Akademii Ekonomicznej im. Oskara Langego, Wrocław, 2003.
4. Barbara Smok: Eksploracja danych w procesie pozyskiwania wiedzy z hurtowni danych, Prace naukowe Akademii Ekonomicznej we Wrocławiu, 2003.
5. 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.
6. 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.
Modified by dr hab. inż. Wiesław Miczulski, prof. UZ (last modification: 10-04-2022 12:03)
