SylabUZ
Nazwa przedmiotu | Sieci społecznościowe i systemy wieloagentowe |
Kod przedmiotu | 11.3-WE-INFD-SSiSW |
Wydział | Wydział Informatyki, Elektrotechniki i Automatyki |
Kierunek | Informatyka |
Profil | ogólnoakademicki |
Rodzaj studiów | drugiego stopnia z tyt. magistra inżyniera |
Semestr rozpoczęcia | semestr zimowy 2019/2020 |
Semestr | 2 |
Liczba punktów ECTS do zdobycia | 5 |
Typ przedmiotu | obowiązkowy |
Język nauczania | polski |
Sylabus opracował |
|
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 | 18 | 1,2 | Egzamin |
Laboratorium | 30 | 2 | 18 | 1,2 | Zaliczenie na ocenę |
Zapoznanie studentów z genezą, architekturą oraz właściwościami sieci społecznościowych. Poruszenie tematyki związanej z Big Data oraz roli jaką sieci społecznościowe pełnią w kontekście generowania danych na dużą skalę. Ukształtowanie podstawowych umiejętności analizy mediów oraz sieci społecznościowych z wykorzystaniem technologii Big Data. Ukształtowanie umiejętności stosowania algorytmów uczenia maszynowego w celu zaawansowanej analizy danych zawartych w mediach społecznościowych. Zapoznanie z systemami wieloagentowymi wykorzystywanymi do modelowania sieci społecznościowych oraz inżynierii skalowalnych oraz rozproszonych systemów do przetwarzania informacji zawartych w sieciach.
Bazy danych
Znajomość podstaw statystyki
Umiejętność programowania w języku Java
Znajomość technologii Big Data
Systemy wieloagentowe jako nowoczesne narzędzia do inżynierii systemów rozproszonej inteligencji. Zastosowanie systemów wieloagentowych do budowy autonomicznych mechanizmów sterowania w kontekście przetwarzania w chmurze. Definicja mediów oraz sieci społecznościowych. Rodzaje sieci społecznościowych oraz charakterystyka ich funkcjonowania. Media społecznościowe oraz Big Data jako nowe trendy wyznaczające kierunek rozwoju informatyki. Pozyskiwanie danych z mediów społecznościowych oraz ich analiza z wykorzystaniem technologii Big Data. Zastosowanie algorytmów uczenia maszynowego w celach zaawansowanej analizy danych pozyskanych z mediów społecznościowych.
wykład: Wykład konwencjonalny, dyskusja, wykład problemowy,
ćwiczenia laboratoryjne: praca w zespole, praca w grupie,
projekt: metoda projektu, praca w grupie, burza mózgów
Opis efektu | Symbole efektów | Metody weryfikacji | Forma zajęć |
W ramach zaliczenia przedmiotu studenci są oceniani na podstawie:
Projektu własnego (50% oceny) – projekt weryfikuje osiągnięcie efektów kształcenia w zakresie umiejętności.
Projekt powinien zawierać: praktyczną realizację wybranego zadania projektowego wraz z dokumentacją.
Egzaminu (50% oceny) mającego charakter pisemny polegający na przetestowaniu osiągniętych efektów kształcenia w zakresie wiedzy
Studenci są dopuszczeni do egzaminu pod warunkiem otrzymania zaliczenia z ćwiczeń laboratoryjnych podczas których oceniana będzie ich praktyczna umiejętność realizowania zadań przydatnych podczas realizacji projektów grupowych.
Michael Wooldridge, An Introduction to MultiAgent Systems - Second Edition, 2009
Duncan J. Watts, Six degrees: the science of a connected age, 2003
Morzy T.: Eksploracja danych. Metody i algorytmy, PWN, Warszawa, 2013
Markov Z., Larose D.T.: Eksploracja zasobów internetowych, PWN, Warszawa, 2009
White T., Hadoop: The Definitive Guide, 3rd Edition, O'Reilly Media / Yahoo Press, 2012
George L., HBase: The Definitive Guide, O'Reilly Media, 2011
Stanton J.M.: Introduction to Data Science, E-book, 2013
Opracował: dr inż. Mariusz Jacyno
Zmodyfikowane przez dr inż. Jacek Bieganowski (ostatnia modyfikacja: 06-05-2019 15:46)