Politechnika
Warszawska

Katalog
ECTS

Nazwa przedmiotu:

Data Mining

Koordynator przedmiotu:

prof. dr hab. Jan Mielniczuk

Status przedmiotu:

Obowiązkowy

Poziom kształcenia:

Studia II stopnia

Program:

Matematyka

Grupa przedmiotów:

Wspólne

Kod przedmiotu:

1120-MASMA-NSP-0019

Semestr nominalny:

2 / rok ak. 2018/2019

Liczba punktów ECTS:

6

Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:

1. godziny kontaktowe – 70 h; w tym a) obecność na wykładach – 30 h b) obecność na laboratoriach – 30 h c) obecność na egzaminie – 5 h d) konsultacje – 5 h 2. praca własna studenta – 60 h; w tym a) przygotowanie do laboratoriów – 25 h b) zapoznanie się z literaturą – 10 h c) przygotowanie do egzaminu – 25 h Razem 130 h, co odpowiada 6 pkt. ECTS

Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:

a) obecność na wykładach – 30 h b) obecność na laboratoriach – 30 h c) obecność na egzaminie – 5 h d) konsultacje – 5 h Razem 70 h, co odpowiada 3 pkt. ECTS

Język prowadzenia zajęć:

polski

Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:

a) obecność na laboratoriach – 30 h b) przygotowanie do laboratoriów – 25 h Razem 55 h, co odpowiada 2 pkt. ECTS

Formy zajęć i ich wymiar w semestrze:

• Wykład30h
• Ćwiczenia0h
• Laboratorium30h
• Projekt0h
• Lekcje komputerowe0h

Wymagania wstępne:

Stosowana analiza regresji

Limit liczby studentów:

30, 2 grupy laboratoryjne, 15 osób/grupa

Cel przedmiotu:

Zapoznanie słuchaczy z podstawowymi technikami data miningu i uczenia maszynowego

Treści kształcenia:

Wykład: 1. analiza dyskryminacyjna LDA . Kwadratowa analiza dyskryminacyjna QDA 2. Klasyfikator bayesowski i jego wersje empiryczne. 3. Metoda najbliższego sąsiada, naiwna metoda bayesowska, klasyfikacja logistyczna. 4. Metody oceny klasyfikatorów. 5. Drzewa klasyfikacyjne CART. 6.Drzewa regresyjne. 7. Maszyny wektorów podpierających SVM Vapnika, 8.Wprowadzenie do metody przekształcenia jądrowego. 9. Sieci neuronowe, modele addytywne, 10. Metody łączenia klasyfikatorów i estymatorów regresji 11. Problemy wysokiego wymiaru wektora atrybutów: selekcja i ekstrakcja cech. 12. Analiza skupień: metody kombinatoryczne/hierarchiczne 13. Modelowanie mieszankowe, zastosowania 14. Analiza czynnikowa i analiza składowych niezależnych Laboratorium: Praktyczna realizacja tematów 1-14 omawianych na wykładzie w oparciu o system R w oparciu o rzeczywiste i symulowane zbiory danych

Metody oceny:

Laboratoria: 30%, egzamin 70 %

Egzamin:

tak

Literatura:

1. J Friedman, T Hastie, R. Tibshirani, Elements of statistical learning, Springer, 2001 2. J. Koronacki, J. Ćwik, Statystyczne systemy uczące się, WNT, 2005

Witryna www przedmiotu:

brak

Uwagi:

.

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Charakterystyka DAM_W01

Zna ogólne sformułowanie problemu klasyfikacji pod nadzorem i bez nadzoru oraz podstawowe metody klasyfikacji liniowej LDA i klasyfikacji logistycznej. Wie, na czym polega kwadratowa analiza dyskryminacyjna QDA.
Weryfikacja: Egzamin, zaliczenie laboratoriów
Powiązane charakterystyki kierunkowe: M2SMAD_W07
Powiązane charakterystyki obszarowe:

Charakterystyka DAM_W02

Zna pojęcie i postać estymatora bayesowskiego w problemie klasyfikacji oraz konstrukcję jego odpowiedników empirycznych. Zna podstawowe metody oceny błędu klasyfikacji.
Weryfikacja: Egzamin, zaliczenie laboratoriów
Powiązane charakterystyki kierunkowe: M2SMAD_W07
Powiązane charakterystyki obszarowe:

Charakterystyka DAM_W03

Zna metodologię konstrukcji drzew klasyfikacyjnych oraz maszyn wektorów podpierających. Wie, na czym polegają metody łączenia klasyfikatorów
Weryfikacja: Egzamin, zaliczenie laboratoriów
Powiązane charakterystyki kierunkowe: M2SMAD_W08
Powiązane charakterystyki obszarowe:

Charakterystyka DAM_W04

Zna podstawowe metody analizy skupień: metodę k-średnich, dendrogramy, metodę mieszanek, sieci samoorganizujące się Kohonena.
Weryfikacja: Egzamin, zaliczenie laboratoriów
Powiązane charakterystyki kierunkowe: M2SMAD_W09
Powiązane charakterystyki obszarowe:

Profil ogólnoakademicki - umiejętności

Charakterystyka DAM_U01

Umie skonstruować klasyfikatory liniowe w oparciu o metodologię LDA i model logistyczny, porównać z klasyfikatorem QDA i ocenić ich błędy klasyfikacji.
Weryfikacja: Zaliczenie laboratoriów
Powiązane charakterystyki kierunkowe: M2SMAD_U07
Powiązane charakterystyki obszarowe:

Charakterystyka DAM_U02

Umie stosować metodę CART i SVM do problemu klasyfikacji i estymacji regresji.
Weryfikacja: Zaliczenie laboratoriów
Powiązane charakterystyki kierunkowe: M2SMAD_U07
Powiązane charakterystyki obszarowe:

Charakterystyka DAM_U03

Umie stosować metody analizy składowych głównych w konkretnych zagadnieniach, wybierać liczbę kierunków w tej metodzie oraz oceniać jej skuteczność.
Weryfikacja: Zaliczenie laboratoriów
Powiązane charakterystyki kierunkowe: M2SMAD_U08
Powiązane charakterystyki obszarowe:

Charakterystyka DAM_U04

Umie przeprowadzać analizę skupień w oparciu o podstawowe stosowane metodologie.
Weryfikacja: Zaliczenie laboratoriów
Powiązane charakterystyki kierunkowe: M2SMAD_U09
Powiązane charakterystyki obszarowe:

Profil ogólnoakademicki - kompetencje społeczne

Charakterystyka DAM_K01

Potrafi współdziałać i pracować w zespole przyjmując w nim różne role.
Weryfikacja: Zaliczenie laboratoriów
Powiązane charakterystyki kierunkowe: M2SMAD_K01
Powiązane charakterystyki obszarowe: