SylabUZ

Wygeneruj PDF dla tej strony

Metody i narzędzia przetwarzania danych w R - opis przedmiotu

Informacje ogólne
Nazwa przedmiotu Metody i narzędzia przetwarzania danych w R
Kod przedmiotu 11.3-WK-IDD-MNPDR-S18
Wydział Wydział Matematyki, Informatyki i Ekonometrii
Kierunek Inżynieria danych
Profil ogólnoakademicki
Rodzaj studiów drugiego stopnia z tyt. magistra
Semestr rozpoczęcia semestr letni 2018/2019
Informacje o przedmiocie
Semestr 2
Liczba punktów ECTS do zdobycia 5
Typ przedmiotu obieralny
Język nauczania polski
Sylabus opracował
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

Celem przedmiotu jest zapoznanie studenta z zastosowaniem metod i narzędzi przetwarzania danych przy wykorzystaniu programu R. Po ukończeniu tego kursu student powinien być przygotowany do samodzielnego wykorzystania poznanych metod i narzędzi do rozwiązywania praktycznych problemów właściwych dla zawodu analityka danych.

Wymagania wstępne

Podstawy programowania.

Zakres tematyczny

Wykład/Laboratorium:

  1. Wstępne przetwarzanie danych.
    1. Czyszczenie danych.
    2. Uzupełnianie brakujących danych.
    3. Poprawianie błędnych danych.
    4. Zmienne numeryczne i kategoryczne.
    5. Szeregi czasowe.
  2. Metody prezentacji i wizualizacji danych.
  3. Modelowanie regresji. Regresja liniowa i logistyczna.
  4. Wybrane reguły asocjacyjne i metody grupowania danych.
  5. Przykłady zastosowań metod i narzędzi przetwarzania danych.

Metody kształcenia

Wykład: tradycyjny i problemowy. Laboratorium: rozwiązywanie zadań dot. eksploracji danych przy wykorzystaniu programu R. Dyskusja.

Efekty uczenia się i metody weryfikacji osiągania efektów uczenia się

Opis efektu Symbole efektów Metody weryfikacji Forma zajęć

Warunki zaliczenia

Ocena z laboratorium na podstawie kolokwiów (80%) z zadaniami o zróżnicowanym stopniu trudności, pozwalającymi na ocenę, czy student osiągnął efekty kształcenia w stopniu minimalnym oraz aktywności na zajęciach (20%). Wykład kończy się egzaminem w postaci testu.

Na ocenę z przedmiotu składa się ocena z laboratorium (70%) oraz ocena z wykładu (30%).

Warunkiem zaliczenia przedmiotu są pozytywne oceny z laboratorium i egzaminu..

Literatura podstawowa

  1. S. Osowski, Metody i narzędzia eksploracji danych, Wydawnictwo BTC, 2013.
  2. T. Morzy, Eksploracja danych – metody i algorytmy, Wydawnictwo naukowe PWN, Warszawa, 2013.
  3. M. Gągolewski, Programowanie w języku R – Analiza danych,obliczenia,symulacje, Wydawnictwo naukowe PWN, Warszawa, 2016.
  4. C.C. Aggarwal, Data Mining, Springer, 2017.

Literatura uzupełniająca

  1. D.T. Larose, Metody i modele eksploracji danych, Wydawnictwo naukowe PWN, Warszawa, 2012.
  2. M. Szeliga, Data science i uczenie maszynowe, Wydawnictwo naukowe PWN, Warszawa, 2017.

Uwagi


Zmodyfikowane przez dr Maciej Niedziela (ostatnia modyfikacja: 02-10-2018 22:18)