Podstawy aproksymacji - od analizy Fouriera do deep learning

Informacje ogólne

Kod przedmiotu:	221660-D
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:	Podstawy aproksymacji - od analizy Fouriera do deep learning
Jednostka:	Szkoła Główna Handlowa w Warszawie
Grupy:
Punkty ECTS i inne:	(brak) 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:	polski
Skrócony opis:	Zajęcia łączą elementy tradycyjnego wykładu z ćwiczeniami oraz prezentacje. Zajęcia prezentują pojęcia i wyniki teorii aproksymacji stosowane we współczesnych ekonomicznych I zarządczych analizach zachowań decydentów i kształtuja umiejetność ich wykorzystania w budowie analiz konkrektnych problemów.Druga część zajęć to prezentacje metod stosowanych w analizie dużych zbiorów danych z wykorzystaniem aplikacji komputurowych opracowanych do tego celu.
Pełny opis:	Zapoznanie studentów z matematycznymi podstawami metod aproksymacji wykorzystywanych we współczesnej analizie danych, w tym danych nieustrukturyzowanych. Kształtowanie umiejętności stosowania tych metod i zdolności do zapoznawania z bardziej zaawansowanymi tekstami i technikami oraz pracy grupowej.
Literatura:	Literatura podstawowa: Podręcznik: Analiza Matematyczna , K.Maurin, PWN, Podręcznik: Analiza matematyczna, W.Dubnicki, J.Kłopotowski, T.Szapiro, PWN , Podręcznik: Deep Learning, Ian Goodfellow and Yoshua Bengio and Aaron Courville, MIT Press, 2016 Literatura uzupełniająca: Artykuły merytoryczne
Efekty uczenia się:	Wiedza: Poznanie centralnych pojęć i wyników teorii aproksymacji. Poznanie intuicji, pojęć i metod podejścia deep learningu Poznanie narzędzi przetwarzania danych w zagadnieniach aproksymacyjnych Umiejętności: Zdolność do stosowania pojęć teorii aproksymacji w budowie modeli analitycznych Zdolność do wykorzystywania podejścia aproksymacyjnego w prolemach praktycznych Umiejetność doboru aplikacji informatycznych w analizie zadań aproksymacyjnych Umiejętność prawidłowej oceny potencjalnych błędów i interpretacji wynikow modelowania Kompetencje społeczne: Postawa rzetelności w analizy danych Zdolnośc operowania modelami uzwględniajacymi złożone interakcje społeczne
Metody i kryteria oceniania:	referaty/eseje: 50.00% ocena z ćwiczeń: 50.00%

Przedmiot nie jest oferowany w żadnym z aktualnych cykli dydaktycznych.

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