Methods and Tools for Data Processing - opis przedmiotu

Informacje ogólne

Nazwa przedmiotu	Methods and Tools for Data Processing
Kod przedmiotu	11.3-WK-DEED-MTDP-S23
Wydział	Wydział Nauk Ścisłych i Przyrodniczych
Kierunek	Data Engineering
Profil	ogólnoakademicki
Rodzaj studiów	drugiego stopnia z tyt. magistra
Semestr rozpoczęcia	semestr letni 2023/2024

Informacje o przedmiocie

Semestr	2
Liczba punktów ECTS do zdobycia	5
Występuje w specjalnościach	Modelling and data analysis
Typ przedmiotu	obieralny
Język nauczania	angielski
Sylabus opracował	dr Maciej Niedziela, 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	-	-	Zaliczenie na ocenę
Laboratorium	30	2	-	-	Zaliczenie na ocenę

Cel przedmiotu

The aim of the course is to familiarize the student with the application of data processing methods and tools using the R program. After completing this course, the student should be prepared to use independently the studied methods and tools to solve practical problems specific to the field of data analysis.

Wymagania wstępne

Fundamentals of programming.

Zakres tematyczny

Lecture/Laboratory:

1. Data preprocessing.

Data cleaning.
Handling missing data.
Improving wrong data.
Numerical and categorical variables.
Time series.

2. Data presentation and visualization methods.
3. Regression modeling. Linear and logistic regression.
4. Selected association rules and data clustering methods.
5. Examples of applications of data processing methods and tools.

Metody kształcenia

Lecture: traditional and problem-based.
Laboratory: solving data mining problems using R program. Discussion.

Efekty uczenia się i metody weryfikacji osiągania efektów uczenia się

Opis efektu	Symbole efektów	Metody weryfikacji	Forma zajęć

Warunki zaliczenia

Laboratory evaluation is based on tests (80%) with tasks of varying difficulty, allowing to assess whether the student has achieved the learning outcomes to a minimum degree, and activity in class (20%). The lecture ends with an exam in the form of a test.

The final course evaluation consists of the grade from the laboratory (70%) and the grade from the lecture (30%).

The condition for passing the course is positive grades from the laboratory and the exam.

Literatura podstawowa

D.T. Larose, Data Mining Methods and Models, Wiley, 2006.
M. Bramer, Principles of Data Mining, Springer, 2007.
C.C. Aggarwal, Data Mining, Springer, 2017.

Literatura uzupełniająca

D.T. Larose, Discovering Knowledge in Data, Wiley, 2014.

Uwagi

Zmodyfikowane przez dr Maciej Niedziela, prof. UZ (ostatnia modyfikacja: 11-04-2024 16:04)