Szkoła Główna Handlowa w Warszawie - Centralny System Uwierzytelniania

Induced Decision Rules

Informacje ogólne

Kod przedmiotu:	132461-P
Kod Erasmus / ISCED:	11.9 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0619) Komputeryzacja (inne) Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu:	Induced Decision Rules
Jednostka:	Szkoła Główna Handlowa w Warszawie
Grupy:	Przedmioty kierunkowe do wyboru NLLP-MIS
Punkty ECTS i inne:	6.00 (zmienne w czasie) Podstawowe informacje o zasadach przyporządkowania punktów ECTS: roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS; tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h; 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się; tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS; nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta. zobacz reguły punktacji
Język prowadzenia:	angielski
Efekty uczenia się:	Wiedza: 1. Classical rule generation algorithms (naive bayes, decision trees, decision rules). 2. Areas of application of classification rules in decision support in business practice. 3. Method of assessment of predictive power of classification models. Umiejętności: 1. Install and operate R software. 2. Construct classification models by herself, verify their quality and create forecasts using them. 3. Use large databases for building of classification models. 4. Apply classification models for decision support in business practice. Kompetencje społeczne: 1. Communication in polish of results of conducted data analysis for experts and. decision makers 2. Ability to self-study and knowledge actualization in the area of data-mining.

Zajęcia w cyklu "Preferencje - Semestr letni 2024/25" (jeszcze nie rozpoczęty)

Okres:	2025-02-15 - 2025-09-30	Wybrany podział planu: tygodniowy cykl przedmiotu Przejdź do planu PN WT ŚR CZ PT
Typ zajęć:	Zajęcia prowadzącego więcej informacji
Koordynatorzy:	(brak danych)
Prowadzący grup:	Małgorzata Wrzosek
Lista studentów:	(nie masz dostępu)
Zaliczenie:	Przedmiot - Ocena Zajęcia prowadzącego - Ocena

Zajęcia w cyklu "Semestr letni 2024/25" (jeszcze nie rozpoczęty)

Okres:	2025-02-15 - 2025-09-30	Wybrany podział planu: tygodniowy cykl przedmiotu Przejdź do planu PN WT ŚR CZ PT
Typ zajęć:	Laboratorium, 15 godzin więcej informacji Wykład, 45 godzin więcej informacji
Koordynatorzy:	(brak danych)
Prowadzący grup:	(brak danych)
Lista studentów:	(nie masz dostępu)
Zaliczenie:	Przedmiot - Ocena Wykład - Ocena
Skrócony opis:	Methods of creation the decision rules based on the data analysis. Algorithms of rules induction, verification techniques for the created model robustness and the applicability of the rules for the decision support. The methods are discussed both from theoretical and from business perspective.
Pełny opis:	1. Present concepts, reasoning and results connected with practical usage of decision rules. 2. Show computer algorithms and software used for generation of decision rules from large databases. 3. Build the ability to generate rules and interpret, verify and select them. 4. Teach how to identify decision situations in business practice in which generation of decision rules would give benefit. The course objective is to teach students the methods of decision rules identification based on analysis of data. Students learn basic algorithms generating such rules. During the course the stress is put on verification of robustness of the created model and its application in decision support. The methods are introduced from theoretical perspective and with focus on their application in business practice.
Literatura:	Literatura podstawowa: (1) Witten Ian H., Eibe Frank, Data Mining: Practical Machine Learning Tools and Techniques (Second Edition), Morgan Kaufmann, 2005. (2) Hongbo Du (2010) Data Mining - techniques and application, Cengage. Literatura uzupełniająca: (3) Hand David, Manilla Heikki, Smyth Padhraic: Principles of Data Mining. MIT Press 2001
Uwagi:	Kryteria oceniania: kolokwium: 42.00% ocena z ćwiczeń: 42.00% projekty: 16.00%

Zajęcia w cyklu "Semestr zimowy 2024/25" (w trakcie)

Okres:	2024-10-01 - 2025-02-14	Wybrany podział planu: tygodniowy cykl przedmiotu Przejdź do planu PN WT ŚR CZ PT
Typ zajęć:	Laboratorium, 15 godzin więcej informacji Wykład, 45 godzin więcej informacji
Koordynatorzy:	(brak danych)
Prowadzący grup:	(brak danych)
Lista studentów:	(nie masz dostępu)
Zaliczenie:	Przedmiot - Ocena Wykład - Ocena
Skrócony opis:	Methods of creation the decision rules based on the data analysis. Algorithms of rules induction, verification techniques for the created model robustness and the applicability of the rules for the decision support. The methods are discussed both from theoretical and from business perspective.
Pełny opis:	1. Present concepts, reasoning and results connected with practical usage of decision rules. 2. Show computer algorithms and software used for generation of decision rules from large databases. 3. Build the ability to generate rules and interpret, verify and select them. 4. Teach how to identify decision situations in business practice in which generation of decision rules would give benefit. The course objective is to teach students the methods of decision rules identification based on analysis of data. Students learn basic algorithms generating such rules. During the course the stress is put on verification of robustness of the created model and its application in decision support. The methods are introduced from theoretical perspective and with focus on their application in business practice.
Literatura:	Literatura podstawowa: (1) Witten Ian H., Eibe Frank, Data Mining: Practical Machine Learning Tools and Techniques (Second Edition), Morgan Kaufmann, 2005. (2) Hongbo Du (2010) Data Mining - techniques and application, Cengage. Literatura uzupełniająca: (3) Hand David, Manilla Heikki, Smyth Padhraic: Principles of Data Mining. MIT Press 2001
Uwagi:	Kryteria oceniania: kolokwium: 42.00% ocena z ćwiczeń: 42.00% projekty: 16.00%

Zajęcia w cyklu "Semestr letni 2023/24" (zakończony)

Okres:	2024-02-24 - 2024-09-30	Wybrany podział planu: tygodniowy cykl przedmiotu Przejdź do planu PN WT ŚR CZ PT
Typ zajęć:	Laboratorium, 15 godzin więcej informacji Wykład, 45 godzin więcej informacji
Koordynatorzy:	(brak danych)
Prowadzący grup:	(brak danych)
Lista studentów:	(nie masz dostępu)
Zaliczenie:	Przedmiot - Ocena Wykład - Ocena
Skrócony opis:	Methods of creation the decision rules based on the data analysis. Algorithms of rules induction, verification techniques for the created model robustness and the applicability of the rules for the decision support. The methods are discussed both from theoretical and from business perspective.
Pełny opis:	1. Present concepts, reasoning and results connected with practical usage of decision rules. 2. Show computer algorithms and software used for generation of decision rules from large databases. 3. Build the ability to generate rules and interpret, verify and select them. 4. Teach how to identify decision situations in business practice in which generation of decision rules would give benefit. The course objective is to teach students the methods of decision rules identification based on analysis of data. Students learn basic algorithms generating such rules. During the course the stress is put on verification of robustness of the created model and its application in decision support. The methods are introduced from theoretical perspective and with focus on their application in business practice.
Literatura:	Literatura podstawowa: (1) Witten Ian H., Eibe Frank, Data Mining: Practical Machine Learning Tools and Techniques (Second Edition), Morgan Kaufmann, 2005. (2) Hongbo Du (2010) Data Mining - techniques and application, Cengage. Literatura uzupełniająca: (3) Hand David, Manilla Heikki, Smyth Padhraic: Principles of Data Mining. MIT Press 2001
Uwagi:	Kryteria oceniania: kolokwium: 42.00% ocena z ćwiczeń: 42.00% projekty: 16.00%

Zajęcia w cyklu "Semestr zimowy 2023/24" (zakończony)

Okres:	2023-10-01 - 2024-02-23	Wybrany podział planu: tygodniowy cykl przedmiotu Przejdź do planu PN WT ŚR CZ PT
Typ zajęć:	Laboratorium, 15 godzin więcej informacji Wykład, 45 godzin więcej informacji
Koordynatorzy:	(brak danych)
Prowadzący grup:	(brak danych)
Lista studentów:	(nie masz dostępu)
Zaliczenie:	Przedmiot - Ocena Wykład - Ocena
Skrócony opis:	Methods of creation the decision rules based on the data analysis. Algorithms of rules induction, verification techniques for the created model robustness and the applicability of the rules for the decision support. The methods are discussed both from theoretical and from business perspective.
Pełny opis:	1. Present concepts, reasoning and results connected with practical usage of decision rules. 2. Show computer algorithms and software used for generation of decision rules from large databases. 3. Build the ability to generate rules and interpret, verify and select them. 4. Teach how to identify decision situations in business practice in which generation of decision rules would give benefit. The course objective is to teach students the methods of decision rules identification based on analysis of data. Students learn basic algorithms generating such rules. During the course the stress is put on verification of robustness of the created model and its application in decision support. The methods are introduced from theoretical perspective and with focus on their application in business practice.
Literatura:	Literatura podstawowa: (1) Witten Ian H., Eibe Frank, Data Mining: Practical Machine Learning Tools and Techniques (Second Edition), Morgan Kaufmann, 2005. (2) Hongbo Du (2010) Data Mining - techniques and application, Cengage. Literatura uzupełniająca: (3) Hand David, Manilla Heikki, Smyth Padhraic: Principles of Data Mining. MIT Press 2001
Uwagi:	Kryteria oceniania: kolokwium: 42.00% ocena z ćwiczeń: 42.00% projekty: 16.00%

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Szkoła Główna Handlowa w Warszawie.