Hurtownie danych - opis przedmiotu

Informacje ogólne

Nazwa przedmiotu	Hurtownie danych
Kod przedmiotu	11.3-WE-INFD-HurDanych-PSI
Wydział	Wydział Nauk Inżynieryjno-Technicznych
Kierunek	Informatyka
Profil	ogólnoakademicki
Rodzaj studiów	drugiego stopnia z tyt. magistra inżyniera
Semestr rozpoczęcia	semestr zimowy 2023/2024

Informacje o przedmiocie

Semestr	2
Liczba punktów ECTS do zdobycia	5
Typ przedmiotu	obowiązkowy
Język nauczania	polski
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	18	1,2	Egzamin
Laboratorium	30	2	18	1,2	Zaliczenie na ocenę

Cel przedmiotu

- zapoznanie studentów z architekturami hurtowni danych i modelami danych,
- zapoznanie studentów z podstawowymi metodami eksploracji danych,
- ukształtowanie podstawowych umiejętności w zakresie praktycznej budowy hurtowni danych.

Wymagania wstępne

Bazy danych, Elementy sztucznej inteligencji.

Zakres tematyczny

Wprowadzenie. Terminologia związana z eksploracją wiedzy. Metodologia zgłębiania danych. Analiza problemu. Pobieranie i czyszczenie danych. Zatwierdzanie
danych. Utworzenie i sprawdzanie modelu. Wysyłanie zapytań dotyczących danych zawartych w modelu. Utrzymywanie ważności modelu.

Architektury i infrastruktury hurtowni danych. Ogólna architektura hurtowni danych. Architektura wydziałowa i tematyczna hurtowni danych. Architektura federacyjna i warstwowa hurtowni danych. Infrastruktury techniczne i ich relacje z architekturą hurtowni danych.

Cykl życia wspomagania podejmowania decyzji. Etapy cyklu życia wspomagania podejmowania decyzji.
Wielowymiarowe modele danych i agregacje. System OLAP. Modele ROLAP, MOLAP, HOLAP. Modele logiczne i pojęciowe informacji wielowymiarowej.

Wybrane metody eksploracji. Grupowanie. Klasyfikacja. Odkrywanie asocjacji. Odkrywanie sekwencji. Analiza szeregów czasowych. Przykłady zastosowania eksploracji danych.

Metody kształcenia

Wykład: wykład konwencjonalny/tradycyjny, dyskusja, konsultacje.
Laboratorium: ćwiczenia laboratoryjne, praca w grupach.

Efekty uczenia się i metody weryfikacji osiągania efektów uczenia się

Opis efektu	Symbole efektów	Metody weryfikacji	Forma zajęć

Warunki zaliczenia

Wykład - warunkiem zaliczenia jest uzyskanie pozytywnej oceny z egzaminu pisemnego.
Laboratorium - warunkiem zaliczenia jest uzyskanie pozytywnych ocen ze wszystkich ćwiczeń laboratoryjnych, przewidzianych do realizacji w ramach programu laboratorium.

Składowe oceny końcowej = wykład: 50% + laboratorium: 50%.

Obciążenie pracą	Studia stacjonarne (w godz.)	Studia niestacjonarne (w godz.)
Godziny kontaktowe (udział w zajęciach; konsultacjach; egzaminie, itp.)	65	50
Samodzielna praca studenta (przygotowanie do: zajęć, kolokwium, egzaminu; studiowanie literatury przygotowanie: pracy pisemnej, projektu, prezentacji, raportu, wystąpienia; itp.)	65	80
Łącznie	130	130
Punkty ECTS	Studia stacjonarne	Studia niestacjonarne
Zajęcia z udziałem nauczyciela akademickiego	3	2
Zajęcia bez udziału nauczyciela akademickiego	2	3
Łącznie	5	5

Literatura podstawowa

1. Hand D., Mannila H., Smyth P.: Eksploracja danych, WNT, Warszawa, 2005.
2. Jarke M., Lenzerini M., Vassiliou Y., Vassiliadis P.: Hurtownie danych. Podstawy organizacji i funkcjonowania, WSiP, Warszawa, 2003.
3. Larose D.T.: Odkrywanie wiedzy z danych. Wprowadzenie do eksploracji danych, PWN, Warszawa, 2006.
4. Larose D.T.: Metody i modele eksploracji danych, PWN, Warszawa, 2008.
5. Morzy T.: Eksploracja danych. Metody i algorytmy, PWN, Warszawa, 2013.

Literatura uzupełniająca

1. Rutkowski L.: Metody i techniki sztucznej inteligencji, PWN, Warszawa, 2005.
2. Ch. Todman: Projektowanie hurtowni danych, Wydawnictwo Naukowo – Techniczne, Warszawa, 2003.
3. M. Nycz: Pozyskiwanie wiedzy i zarządzanie wiedzą, Wydawnictwo Akademii Ekonomicznej im. Oskara Langego, Wrocław, 2003.
4. Barbara Smok: Eksploracja danych w procesie pozyskiwania wiedzy z hurtowni danych, Prace naukowe Akademii Ekonomicznej we Wrocławiu, 2003.
5. Miczulski W., Szulim R.:Using time series approximation methods in the modelling of industrial objects and processes. Measurements models systems and design /
ed. by J. Korbicz .- Warszawa : Wydawnictwo Komunikacji i Łączności, 2007 - s. 157--174.

6. Miczulski W., Sobolewski Ł.: Algorithm for Predicting [UTC–UTC(k)] by Means of Neural Networks, IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT,
8/2017, s. 2136 - 2142.

Uwagi

Zmodyfikowane przez dr hab. inż. Wiesław Miczulski, prof. UZ (ostatnia modyfikacja: 18-03-2023 19:32)