SylabUZ
Course name | Practical Applications of Data Mining Systems |
Course ID | 11.3-WK-IDD-SEDP-S18 |
Faculty | Faculty of Mathematics, Computer Science and Econometrics |
Field of study | Data Engineering |
Education profile | academic |
Level of studies | Second-cycle studies leading to MS degree |
Beginning semester | summer term 2022/2023 |
Semester | 3 |
ECTS credits to win | 3 |
Available in specialities | Data Exploration Systems |
Course type | optional |
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 | - | - | Credit with grade |
Laboratory | 30 | 2 | - | - | Credit with grade |
Nabycie umiejętności modelowania wymagane do zrozumienia i przechowywanie dużych danych dużych zbiorów danych.
Wykorzystanie umiejętności do podejmowania decyzji, takich jak: wykrywanie raka, wykrywanie oszustw, segmentacja klientów i przewidywanie przestojów maszyn.
Poznanie procesu eksploracji danych i techniki modelowania za pomocą jednego programu IBM SPSS Modeler.
Tworzenie modeli na podstawie wyselekcjonowanych danych, testowanie modeli z danymi historycznym, użycie danych bieżących.
Podstawowa znajomość statystyki.
. Wprowadzenie do eksploracji danych
2. Proces wyszukiwania danych
3. Techniki modelowania
4. Ocena modelu
5. Wdrożenie na IBM Bluemix
Wykład konwencjonalny, wykład problemowy. Ćwiczenia laboratoryjne. Dyskusja.
Outcome description | Outcome symbols | Methods of verification | The class form |
Ocena z laboratorium wystawiana będzie na podstawie wyników z kolokwium i/lub projektów (80%) oraz aktywności na zajęciach (20%).
1. Axel Buecker, Theresa Morelli, Colin Shearer, IBM SPSS predictive analytics: Optimizing decisions at the point of impact, An IBM Redguide publication 2010.
Modified by dr Alina Szelecka (last modification: 19-05-2022 21:49)