SylabUZ
Nazwa przedmiotu | Data warehouses |
Kod przedmiotu | 11.3-WE-INFD-DataWareh-Er |
Wydział | Wydział Informatyki, Elektrotechniki i Automatyki |
Kierunek | WIEiA - oferta ERASMUS / Informatyka |
Profil | - |
Rodzaj studiów | Program Erasmus drugiego stopnia |
Semestr rozpoczęcia | semestr zimowy 2018/2019 |
Semestr | 2 |
Liczba punktów ECTS do zdobycia | 6 |
Typ przedmiotu | obowiązkowy |
Język nauczania | angielski |
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 | - | - | Egzamin |
Laboratorium | 30 | 2 | - | - | Zaliczenie na ocenę |
Probabilistic methods, Experiment technique, Databases, Elements of artificial intelligence.
Introduction. Decision support systems. Operational processing versus analytical processing.
Data warehouses. Definition of Data Warehouse. Features of Data Warehouse. Exemplary applications. Architectures of Data Warehouses. Layered structure of the Warehouse: data sources, extraction layer, cleaning, transformation and data loading, data access layer. Tools for designing, building, maintaining and administering of the Data Warehouse.
Multidimensional data models. Models: MOLAP, ROLAP, HOLAP. Building of exemplary data cube.
Knowledge representation forms: logical rules, decision trees, neural nets.
Data Mining. Data preparation process. Selected Data Mining methods: classification, grouping, discovering association and sequences, analysis of time series.
Exemplary Data Mining applications.
Opis efektu | Symbole efektów | Metody weryfikacji | Forma zajęć |
Lecture – obtaining a positive grade from exam.
Laboratory – the passing condition is to obtain positive marks from all laboratory exercises to be planned during the semester.
Calculation of the final grade: lecture 50% + laboratory 50%
Zmodyfikowane przez dr hab. inż. Wiesław Miczulski, prof. UZ (ostatnia modyfikacja: 03-04-2018 09:18)