Drukuj Eksport do pliku (MS Word)
Nazwa przedmiotu:
Analiza zależności
Koordynator przedmiotu:
.
Status przedmiotu:
Obowiązkowy
Poziom kształcenia:
Studia I stopnia
Program:
Matematyka i Analiza Danych
Grupa przedmiotów:
Wspólne
Kod przedmiotu:
.
Semestr nominalny:
6 / rok ak. 2019/2020
Liczba punktów ECTS:
5
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
1. godziny kontaktowe – 72 h; w tym a) obecność na wykładach – 30 h b) obecność na laboratoriach – 30 h c) konsultacje – 5 h d) obecność na egzaminie – 8 h 2. praca własna studenta – 55 h; w tym a) przygotowanie do zajęć laboratoryjnych – 15 h b) rozwiązywanie zadań domowych – 20 h c) przygotowanie do egzaminu – 20 h Razem 127 h, co odpowiada 5 pkt. ECTS
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
1. obecność na wykładach – 30 h 2. obecność na laboratoriach – 30 h 3. konsultacje – 5 h 4. obecność na egzaminie -8 h Razem 72 h, co odpowiada 3 pkt. ECTS
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
1obecność na laboratoriach – 30 h 2. rozwiązywanie zadań domowych – 20 h 3. przygotowanie do zajęć laboratoryjnych – 15 h Razem 65 h, co odpowiada 2 pkt. ECTS
Formy zajęć i ich wymiar w semestrze:
  • Wykład0h
  • Ćwiczenia0h
  • Laboratorium30h
  • Projekt0h
  • Lekcje komputerowe0h
Wymagania wstępne:
Statystyka Matematyczna Wstęp do Eksploracji Danych
Limit liczby studentów:
.
Cel przedmiotu:
Celem przedmiotu jest zapoznanie studenta z podstawowymi metodami oceny siły zależności i jej modelowania
Treści kształcenia:
Wykład: 1. Miary zależności stochastycznej par i wektorów losowych 2. Wnioskowanie o zależności stochastycznej 3. Model regresji liniowej, metoda MNK 4. Diagnostyka dopasowania, podstawowe testy 5. Liniowa regresja wysokowymiarowa: metody Lasso/regresji grzbietowej 6. Selekcja cech 7. Nieliniowa regresja parametryczna 8. Niskowymiarowe metody nieparametryczne estymacji regresji 9. Metody wysokowymiarowe estymacji regresji 10. Jednoczynnikowa analiza wariancji 11. Wieloczynnikowa analiza wariancji 12. Ekstrakcja cech: analiza składowych głównych PCA 13. Metody liniowe w klasyfikacji: LDA, regresja liniowa 14. Analiza zależności szeregów czasowych: podstawowe charakterystyki 15. Analiza zależności szeregów czasowych: modele liniowe Laboratorium: Praktyczna realizacja tematów 1-15 omawianych na wykładzie, w oparciu o pakiet R przy wykorzystaniu rzeczywistych i symulowanych zbiorów danych
Metody oceny:
Laboratoria: 30%, egzamin 70 %
Egzamin:
tak
Literatura:
1. J. Faraway, Practical regression and Anova using R, Chapman 2002 2. G. James, D.Witten, T. Hastie, R.Tibshirani, An introduction to statistical learning, Springer, 2013
Witryna www przedmiotu:
.
Uwagi:
.

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Charakterystyka AZ_W01
Zna podstawowe metody pomiaru siły zależności stochastycznej dla pary, wektora i ciągu zmiennych losowych. Odróżnia zagadnienia pomiaru siły zależności liniowej i nieliniowej. Zna model zależności liniowej i podstawowe metody estymacji w tym modelu w przypadku niskiej i wysokiej wymiarowości wektora predyktorów (metoda najmniejszych kwadratów, metod Lasso, metoda regresji grzbietowej, zna metody diagnostyczne, konstrukcję testów istotności i prognozy. Zna podstawowe metody estymacji regresji nieparametrycznej
Weryfikacja: egzamin
Powiązane charakterystyki kierunkowe: MAD1_W21, MAD1_W14, MAD1_W16, MAD1_W17, MAD1_W18
Powiązane charakterystyki obszarowe: I.P6S_WK, II.X.P6S_WG.1, II.X.P6S_WG.2, I.P6S_WG
Charakterystyka AZ_W02
Zna podstawowe metody liniowe klasyfikacji (LDA, klasyfikator logistyczny i SVM) oraz liniowe modele szeregów czasowych (AR, MA, ARMA)
Weryfikacja: egzamin
Powiązane charakterystyki kierunkowe: MAD1_W14, MAD1_W19, MAD1_W20
Powiązane charakterystyki obszarowe: I.P6S_WG, I.P6S_WK, II.X.P6S_WG.2, II.X.P6S_WG.1

Profil ogólnoakademicki - umiejętności

Charakterystyka AZ_U01
Umie obliczyć podstawowe miary dla danych i ocenić na ich podstawie siłę zależności. Umie dopasować model liniowy do danych, analizować jego adekwatność, testować istotność zmiennych i dokonać prognozy
Weryfikacja: egzamin
Powiązane charakterystyki kierunkowe: MAD1_U13, MAD1_U18, MAD1_U19, MAD1_U21
Powiązane charakterystyki obszarowe: I.P6S_UW, I.P6S_UO, II.X.P6S_UW.1.o, II.X.P6S_UW.2, I.P6S_UK
Charakterystyka AZ_U02
Umie skonstruować klasyfikator Liniowy LDA, logistyczny i SVM oraz porównać ich działanie. Umie wybrać i dopasować do danych jeden z podstawowych modeli liniowych
Weryfikacja: egzamin
Powiązane charakterystyki kierunkowe: MAD1_U20, MAD1_U15
Powiązane charakterystyki obszarowe: II.X.P6S_UW.1.o, II.X.P6S_UW.2, I.P6S_UW, I.P6S_UO

Profil ogólnoakademicki - kompetencje społeczne

Charakterystyka AZ_K01
Posiada świadomość wagi społecznej rzetelnej analizy statystycznej
Weryfikacja: .
Powiązane charakterystyki kierunkowe: MAD1_K04
Powiązane charakterystyki obszarowe: I.P6S_KR