SylabUZ

Wygeneruj PDF dla tej strony

Data warehouses - opis przedmiotu

Informacje ogólne
Nazwa przedmiotu Data warehouses
Kod przedmiotu 11.3-WE-INFD-DataWareh-Er
Wydział Wydział Informatyki, Elektrotechniki i Automatyki
Kierunek WIEiA - oferta ERASMUS / Informatyka
Profil -
Rodzaj studiów Program Erasmus drugiego stopnia
Semestr rozpoczęcia semestr zimowy 2018/2019
Informacje o przedmiocie
Semestr 2
Liczba punktów ECTS do zdobycia 6
Typ przedmiotu obowiązkowy
Język nauczania angielski
Sylabus opracował
  • dr hab. inż. Wiesław Miczulski, prof. UZ
Formy zajęć
Forma zajęć Liczba godzin w semestrze (stacjonarne) Liczba godzin w tygodniu (stacjonarne) Liczba godzin w semestrze (niestacjonarne) Liczba godzin w tygodniu (niestacjonarne) Forma zaliczenia
Wykład 30 2 - - Egzamin
Laboratorium 30 2 - - Zaliczenie na ocenę

Cel przedmiotu

  • acquaint students with architectures of data warehouses and multidimensional data models,
  • acquaint students with the basic methods of data mining,
  • shaping basic skills in the practical construction of the data warehouse.

Wymagania wstępne

Probabilistic methods, Experiment technique, Databases, Elements of artificial intelligence.

Zakres tematyczny

Introduction. Decision support systems. Operational processing versus analytical processing.

Data warehouses. Definition of Data Warehouse. Features of Data Warehouse. Exemplary applications. Architectures of Data Warehouses. Layered structure of the Warehouse: data sources, extraction layer, cleaning, transformation and data loading, data access layer. Tools for designing, building, maintaining and administering of the Data Warehouse.

Multidimensional data models. Models: MOLAP, ROLAP, HOLAP. Building of exemplary data cube.

Knowledge representation forms: logical rules, decision trees, neural nets.

Data Mining. Data preparation process. Selected Data Mining methods: classification, grouping, discovering association and sequences, analysis of time series

Exemplary Data Mining applications.

Metody kształcenia

  • Lecture: conventional/traditional lecture with elements of discussion.
  • laboratory: work in the groups, practical excersises.

Efekty uczenia się i metody weryfikacji osiągania efektów uczenia się

Opis efektu Symbole efektów Metody weryfikacji Forma zajęć

Warunki zaliczenia

Lecture – obtaining a positive grade from exam.

Laboratory – the passing condition is to obtain positive marks from all laboratory exercises to be planned during the semester.

 

Calculation of the final grade: lecture 50% + laboratory 50%

Literatura podstawowa

  1. Hand D., Mannila H., Smyth P.: Principles of Data Mining. Massachusetts Institute of Technology, 2001.
  2. Jarke M., Lenzerini M., Vassiliou Y., Vassiliadis P.: Fundamentals of Data Warehouses. Springer-Verlag, Berlin, 2002.
  3. Larose D.T.: Discovering Knowledge in Data. An Introduction to Data Mining.  John Wiley & Sonc, Inc., 2005.
  4. Larose D.T.: Data Mining Methods and Models. John Wiley & Sonc, Inc., 2006.
  5. Rutkowski L.: Computational Intelligence. Methods and Techniques. Springer-Verlag, Berlin, 2008.

Literatura uzupełniająca

  1. Poe V., Klauer P., Brobst S.: Building a Data Warehouse for Decision Support. Prentice-Hall, Inc., a Simon & Schuster Company, 1999.

Uwagi


Zmodyfikowane przez dr hab. inż. Wiesław Miczulski, prof. UZ (ostatnia modyfikacja: 03-04-2018 09:18)