SylabUZ
| Nazwa przedmiotu | Sieci społecznościowe i systemy wieloagentowe |
| Kod przedmiotu | 11.3-WE-INFD-SSiSW |
| Wydział | Wydział Nauk Inżynieryjno-Technicznych |
| Kierunek | Informatyka |
| Profil | ogólnoakademicki |
| Rodzaj studiów | drugiego stopnia z tyt. magistra inżyniera |
| Semestr rozpoczęcia | semestr zimowy 2023/2024 |
| 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. Zapoznanie z systemami wieloagentowymi wykorzystywanymi do modelowania sieci społecznościowych.
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 praktycznych. Projekt powinien zawierać realizację wybranego zadania projektowego wraz z dokumentacją.
Egzaminu (50% oceny) mającego charakter pisemny lub ustny.
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.
| Obciążenie pracą | Studia stacjonarne (w godz.) |
Studia niestacjonarne (w godz.) |
| Godziny kontaktowe (udział w zajęciach; konsultacjach; egzaminie, itp.) | 75 | 45 |
| Samodzielna praca studenta (przygotowanie do: zajęć, kolokwium, egzaminu; studiowanie literatury przygotowanie: pracy pisemnej, projektu, prezentacji, raportu, wystąpienia; itp.) | 75 | 105 |
| Łącznie | 150 | 150 |
| Punkty ECTS | Studia stacjonarne | Studia niestacjonarne |
| Zajęcia z udziałem nauczyciela akademickiego | 2 | 2 |
| Zajęcia bez udziału nauczyciela akademickiego | 3 | 3 |
| Łącznie | 5 | 5 |
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, dr inż. Jacek Bieganowski
Zmodyfikowane przez dr inż. Jacek Bieganowski (ostatnia modyfikacja: 22-03-2023 19:56)
