Systemy eksploracji danych w praktyce - opis przedmiotu

Informacje ogólne

Nazwa przedmiotu	Systemy eksploracji danych w praktyce
Kod przedmiotu	11.3-WK-IDD-SEDP-S18
Wydział	Wydział Matematyki, Informatyki i Ekonometrii
Kierunek	Inżynieria danych
Profil	ogólnoakademicki
Rodzaj studiów	drugiego stopnia z tyt. magistra
Semestr rozpoczęcia	semestr letni 2019/2020

Informacje o przedmiocie

Semestr	3
Liczba punktów ECTS do zdobycia	3
Występuje w specjalnościach	Systemy eksploracji danych
Typ przedmiotu	obieralny
Język nauczania	polski
Sylabus opracował	mgr inż. Andrzej Majczak

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	15	1	-	-	Zaliczenie na ocenę
Laboratorium	30	2	-	-	Zaliczenie na ocenę

Cel przedmiotu

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.

Wymagania wstępne

Podstawowa znajomość statystyki.

Zakres tematyczny

. Wprowadzenie do eksploracji danych

Metodologia CRISP-DM
Wprowadzenie do SPSS Modeler - predykcyjny warsztat do eksploracji danych
Interfejs SPSS Modeler

2. Proces wyszukiwania danych

Zrozumienie biznesu
Zrozumienie danych
Przygotowywanie danych

3. Techniki modelowania

Wprowadzenie do technik modelowania

Analiza klastra (nauka bez nadzoru)
Klasyfikacja i przewidywanie (nadzorowane uczenie się)
Klasyfikacja - szkolenie i testowanie
Pobieranie próbek w klasyfikacji
Predictive Modeling Algorithms w SPSS Modeler
Automatyczny wybór algorytmów

4. Ocena modelu

Dane do oceny wydajności
Dokładność jako narzędzie oceny wydajności
Pokonywanie ograniczeń dokładności
ROC Curves

5. Wdrożenie na IBM Bluemix

Ocena nowych danych
Wdrożenie modelu predykcyjnego
Czym jest IBM Bluemix?
Modelowanie predykcyjne: wdrożenie w chmurze
Usługi współpracy i wdrażania SPSS

Metody kształcenia

Wykład konwencjonalny, wykład problemowy. Ćwiczenia laboratoryjne. Dyskusja.

Efekty uczenia się i metody weryfikacji osiągania efektów uczenia się

Opis efektu	Symbole efektów	Metody weryfikacji	Forma zajęć

Warunki zaliczenia

Ocena z laboratorium wystawiana będzie na podstawie wyników z kolokwium i/lub projektów (80%) oraz aktywności na zajęciach (20%).

Literatura podstawowa

1. Axel Buecker, Theresa Morelli, Colin Shearer, IBM SPSS predictive analytics: Optimizing decisions at the point of impact, An IBM Redguide publication 2010.

Literatura uzupełniająca

Uwagi

Zmodyfikowane przez dr Robert Dylewski, prof. UZ (ostatnia modyfikacja: 19-09-2019 12:58)