Print Export to file (MS Word)
Name of course:
Metody inteligencji obliczeniowej w analizie danych
Coordinator of course:
Prof. dr hab. inż. Jacek Mańdziuk
Type of course:
Compulsory
Level of education:
First cycle studies
Programme:
Inżynieria i Analiza Danych
Group of courses:
.
Code of course:
.
Nominal semester:
6 / AY 2019/2020
Number of ECTS credits:
5
Number of hours of student’s work to achieve learning outcomes:
1. godziny kontaktowe – 70 h; w tym a) obecność na wykładach – 30 h b) obecność na laboratoriach – 30 h c) konsultacje – 5 h d) egzamin – 5 h 2. praca własna studenta – 60 h; w tym a) przygotowanie do laboratoriów – 35 h b) zapoznanie się z literaturą – 10 h c) przygotowanie do egzaminu – 15 h Razem 130 h, co odpowiada 5 pkt. ECTS
Number of ECTS credits on the course with direct participation of academic teacher:
1. obecność na wykładach – 30 h 2. obecność na laboratoriach – 30 h 3. konsultacje – 5 h 4. egzamin – 5 h Razem 70 h, co odpowiada 3 pkt. ECTS
Language of course:
polish
Number of ECTS credits on practical activities on the course:
1. obecność na laboratoriach – 30 h 2. przygotowanie do laboratoriów – 35 h Razem 65 h, co daje 2 pkt. ECTS
Form of didactic studies and number of hours per semester:
  • Lecture30h
  • Exercise type of course0h
  • Laboratory30h
  • Project type of course0h
  • Computer lessons0h
Preliminary requirements:
Wstęp do uczenia maszynowego
Limit of students:
.
Purpose of course:
Celem przedmiotu jest zapoznanie studentów z możliwościami wykorzystania metod inteligencji obliczeniowej (głównie sztucznych sieci neuronowych, metod ewolucyjnych, metod rojowych, logiki rozmytej) w analizie i drążeniu danych, ze szczególnym uwzględnieniem danych biznesowych. W ramach przedmiotu studenci powinni zdobyć praktyczną umiejętność wykorzystania wybranych metod inteligencji obliczeniowej do analizy danych.
Contents of education:
W ramach przedmiotu omawiane są wybrane zagadnienia z zakresu sztucznych sieci neuronowych, metod ewolucyjnych, metod inteligencji rojowej , logiki rozmytej oraz innych obszarów inteligencji obliczeniowej w kontekście ich zastosowań do analizy danych / predykcji / optymalizacji / aproksymacji w zagadnieniach biznesowych. Wykład: 7. Wprowadzenie do sztucznych sieci neuronowych oraz metod ewolucyjnych 8. Wykorzystanie sztucznych sieci neuronowych w analizie danych oraz predykcjach finansowych 9. Zastosowania metod ewolucyjnych oraz metod inteligencji rojowej do optymalizacji decyzji biznesowych 10. Wprowadzenie do logiki rozmytej oraz metod inteligencji rojowej 11. Zastosowania logiki rozmytej do ekstrakcji reguł z danych (sieci neuronoworozmyte) 12. Klasyfikacja danych w oparciu o sieci neuronowe oraz neuronoworozmyte 13. Detekcja wzorców w danych z wykorzystaniem sieci neuronowych 14. Redukcja wymiarowości danych przy pomocy sieci neuronowych 15. Analiza skupień w oparciu o sieci samoorganizujące się Laboratorium (przykładowe problemy / zadania): 6. Przewidywanie wartości szeregów czasowych z użyciem sieci neuronowych bądź systemów neuroewolucyjnych 7. Wykorzystanie metod inteligencji rojowej w zagadnieniach optymalizacyjnych na przykładzie problemów transportowych 8. Harmonogramowanie projektów z wykorzystaniem metod inteligencji obliczeniowej 9. Klasyfikacja danych z wykorzystaniem sztucznych sieci neuronowych 10. Predykcja zapotrzebowania na paliwo gazowe przy pomocy sieci neuronoworozmytych
Methods of evaluation:
Zaliczenie przedmiotu oparte jest o wyniki dwóch zadań realizowanych w ramach laboratorium (w sumie maksymalnie 60 pkt) oraz wyniki egzaminu (maksymalnie 40 pkt). W przypadku zadań realizowanych w laboratorium oceniana jest zarówno jakość rozwiązań jak i terminowość ich realizacji. Szczegółowe zasady przyznawania punktów przedstawiane są studentom podczas pierwszych zajęć laboratoryjnych (dot. laboratorium) oraz wykładowych (dot. egzaminu). Ocena końcowa zależy od łącznej liczby punktów uzyskanych z zadań punktowanych oraz egzaminu i jest wyznaczana zgodnie z poniższymi regułami: 0-50 pkt – 2.0, 51-60 pkt – 3.0, 61-70 pkt – 3.5, 71-80 pkt – 4.0, 81-90 pkt – 4.5, 91-100 pkt – 5.0. Warunkiem koniecznym uzyskania oceny pozytywnej jest zdobycie co najmniej 30 pkt z laboratorium oraz 20 pkt z egzaminu.
Exam:
yes
Literature:
1. Materiały z corocznej konferencji Computational Intelligence in Data Mining (ICCIDM) 2. Metody i narzędzia eksploracji danych, Stanisłw Osowski, Helion, 2013 3. Neural networks and deep learning. [Online:] http://neuralnetworksanddeeplearning.com/
Website of the course:
.
Notes:
.

Effects of education

General academic profile - knowledge

Charakterystyka W01
.
Verification: .
Field of study related learning outcomes: DS_W05
Area of study related learning outcomes: I.P6S_WG
Charakterystyka W02
.
Verification: .
Field of study related learning outcomes: DS_W05
Area of study related learning outcomes: I.P6S_WG

General academic profile - skils

Charakterystyka U01
.
Verification: .
Field of study related learning outcomes: DS_U07
Area of study related learning outcomes: I.P6S_UW
Charakterystyka U02
.
Verification: .
Field of study related learning outcomes: DS_U13
Area of study related learning outcomes: I.P6S_UW
Charakterystyka U03
.
Verification: .
Field of study related learning outcomes: DS_U16
Area of study related learning outcomes: I.P6S_UW

General academic profile - social competences

Charakterystyka K01
.
Verification: .
Field of study related learning outcomes: DS_K01
Area of study related learning outcomes: I.P6S_KK