SylabUZ
| Course name | Rejestracja i analiza danych z bezzałogowych statków powietrznych |
| Course ID | 06.1-WM-ILOT-BSP-P-RejAnDanBSP- 22 |
| Faculty | Faculty of Mechanical Engineering |
| Field of study | Inżynieria lotnicza |
| Education profile | practical |
| Level of studies | First-cycle studies leading to Engineer's degree |
| Beginning semester | winter term 2023/2024 |
| Semester | 6 |
| ECTS credits to win | 4 |
| Available in specialities | Bezzałogowe statki powietrzne |
| 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 | - | - | Credit with grade |
| Project | 30 | 2 | - | - | Credit with grade |
Celem przedmiotu jest poznanie w zaawansowanym stopniu zagadnień pozyskiwania, analizy i predykcji stanu technicznego, technologii napraw oraz bezpiecznego użytkowania bezzałogowych statków powietrznych.
zagadnienia w zakresie matematyki niezbędne do zrozumienia i wykorzystania formalizmu matematycznego stosowanego do opisu podstawowych zjawisk oraz procesów stosowanych w inżynierii lotniczej.
| Lp. | Treści programowe - WYKŁAD | l. godz. st. stacj. |
||
| W1 | Pozyskiwanie danych z bezzałogowych statków powietrznych | 1 | ||
| W2 | Możliwości rejestracji danych z bezzałogowych statków powietrznych | 1 | ||
| W3 | Rodzaje danych pozyskanych z bezzałogowych statków powietrznych | 2 | ||
| W4 | Klasyfikacja danych | 2 | ||
| W5 | Bazy danych | 2 | ||
| W6 | Wprowadzenie do data mining | 2 | ||
| W7 | Modele i rodzaje zadań data mining | 2 | ||
| W8 | Metody predykcyjnego data mining (uczenie z nauczycielem) | 3 | ||
| Suma | 15 | |||
| Lp. | Treści programowe - PROJEKT | l. godz. st. stacj. |
||
| P1 | Zdefiniownaych danych z bezzałogowych statków powietrznych do projektu | 2 | ||
| P2 | Wstępna obróbka danych z bezzałogowych statków powietrznych z wykorzystaniem oprogramowania Statistica - cz. 1 | 2 | ||
| P3 | Wstępna obróbka danych z bezzałogowych statków powietrznych z wykorzystaniem oprogramowania Statistica - cz.2 | 2 | ||
| P4 | Klasyfikacja danych z wykorzystaniem oprogramowania Statistica - cz. 1 | 2 | ||
| P5 | Klasyfikacja danych z wykorzystaniem oprogramowania Statistica - cz. 2 | 2 | ||
| P6 | Klasyfikacja danych z wykorzystaniem oprogramowania Statistica - cz. 3 | 2 | ||
| P7 | Określenie zależności za pomocą regresji logistycznej z wykorzystaniem oprogramowania Statistica- cz. 1 | 2 | ||
| P8 | Określenie zależności za pomocą regresji logistycznej z wykorzystaniem oprogramowania Statistica- cz. 2 | 2 | ||
| P9 | Określenie zależności za pomocą regresji logistycznej z wykorzystaniem oprogramowania Statistica- cz. 3 | 2 | ||
| P10 | Dokonanie klasyfikacji za pomoca drzewa klasyfikacyjnego z wykorzystaniem oprogramowania Statistica- cz. 1 | 2 | ||
| P11 | Dokonanie klasyfikacji za pomoca drzewa klasyfikacyjnego z wykorzystaniem oprogramowania Statistica- cz. 2 | 2 | ||
| P12 | Dokonanie klasyfikacji za pomoca drzewa klasyfikacyjnego z wykorzystaniem oprogramowania Statistica- cz. 3 | 2 | ||
| P13 | Odkrycie wiedzy (uczenie bez nauczyciela) z wykorzystaniem oprogramowania Statistica- cz. 3 | 2 | ||
| P14 | Przygotowanie końcowego projektu | 2 | ||
| P15 | Prezentacja rezultatu prac | 2 | ||
| Suma: | 30 | |||
Zasadniczą formą zajęć są zajęcia projektowwe z wykorzystaniem oprogramowania Statistica. Poszczególne tematy w formie zadań obejmują jedno lub więcej zadań opracowywanych przez studentów podczas trwania jednostkowych zajęć oraz związaną z nimi pracą własną studentów (pracą domową). Niezbędną wiedzę teoretyczną potrzebną do rozwiązywania zadań student uzyskuje na zajęciach wykładowych oraz w ramach wprowadzenia przez prowadzącego do poszczególnych zajęć projektowych.
| Outcome description | Outcome symbols | Methods of verification | The class form |
Wykład
Warunkiem zaliczenia jest uzyskanie pozytywnej oceny z kolokwium pisemnego.
Projekt
Warunkiem zaliczenia jest uzyskanie pozytywnych ocen z projektu końcowego i prezentacji.
Ocena końcowa jest średnią arytmetyczną ze wszystkich ocen cząstkowych przedmiotu.
1. Larose DT., Metody i modele eksploracji danych (Data Mining Methods and Models), PWN, 2022.
2. Patalas-Maliszewska J., Modele referencyjne zarządzania wiedzą w przedsiębiorstwie produkcyjnym, PWN, 2019.
3. Dębowska-Mróz M., Rogowski A., Pomiar, obliczenia i analiza danych statystycznych w ruchu drogowym, UTH Radom, 2019.
-
-
Modified by dr inż. Daniel Dębowski (last modification: 14-12-2022 15:08)
