Szkoła Główna Handlowa w Warszawie - Centralny System Uwierzytelniania
Strona główna

Statystyczne reguły decyzyjne

Informacje ogólne

Kod przedmiotu: 223490-S
Kod Erasmus / ISCED: 11.2 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. / (0542) Statystyka Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Statystyczne reguły decyzyjne
Jednostka: Szkoła Główna Handlowa w Warszawie
Grupy: Przedmioty kierunkowe do wyboru NMMS-MIS
Przedmioty obowiązkowe na programie NMMS-ADA
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: polski
Efekty uczenia się:

Wiedza:

przedstawić zastosowania modelowania predykcyjnego do podejmowania decyzji w praktyce gospodarczej; omówić proces budowy i wykorzystania modeli predykcyjnych do wspomagania podejmowania decyzji zarządczych;

wymienić przyczyny i skutki efektu przeuczenia modeli prognostycznych; omówić wady i zalety różnych technik selekcji stopnia regularyzacji modelu analitycznego;

wymienić miary i metody wizualizacji jakości klasyfikatorów binarnych i modeli regresyjnych; omówić wady i zalety klasycznych modeli predykcyjnych (regresja logistyczna, regresja grzbietowa i LASSO, wygładzanych funkcji sklejanych, estymatorów jądrowych, drzew klasyfikacyjnych i regresyjnych, sieci neuronowych).

Umiejętności:

samodzielnie konstruować modele prognostyczne, weryfikować ich jakość oraz tworzyć na podstawie nich prognozy; zainstalować i obsługiwać oprogramowanie Julia;

zaimplementować w języku Julia procesy: transformacji danych, oszacowania parametrów modeli analitycznych, prognozowania i podejmowania decyzji na podstawie oszacowanych modeli, eksportu wyników analiz

zaplanować proces gromadzenia danych, budowy modelu i rekomendacji decyzji w zastosowaniach modelowania prognostycznego.

Kompetencje społeczne:

Komunikowanie wyników przeprowadzonych analiz danych specjalistom jak i decydentom.

Posiadanie zdolności samodzielnego uczenia się i aktualizowania wiedzy w zakresie metod drążenia danych.

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

Okres: 2025-02-15 - 2025-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Zajęcia prowadzącego więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Bogumił Kamiński
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:
Przejdź do planu
Typ zajęć:
Wykład, 14 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: (brak danych)
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Wykład - Ocena
Skrócony opis:

Zapoznanie studentów z metodami generowania modeli prognostycznych na podstawie analizy danych o dużych wolumenach oraz ich wykorzystaniem do wspomagania podejmowania decyzji. Praktyczne aspekty budowy modeli: gromadzenie i transformacja danych, szacowanie parametrów modelu, prognozowanie i rekomendacja decyzji na podstawie oszacowanego modelu z wykorzystaniem języka programowania. Omówienie metod oceny jakości modeli prognostycznych.

Pełny opis:

1. Przedstawić pojęcia, rozumowania i wyniki związane z generowaniem złożonych modeli prognostycznych na podstawie danych o wielkich wolumenach oraz wykorzystaniem tych modeli do wspomagania podejmowania decyzji zarządczych.

2. Zapoznać z algorytmami komputerowymi stosowanymi przy generowaniu modeli prognostycznych oraz ich implementacją w języku programowania.

3. Zbudować umiejętność budowy, interpretacji, weryfikacji i selekcji modeli prognostycznych oraz ich wykorzystania do wspomagania

podejmowania decyzji.

4. Nauczyć jak identyfikować w praktyce gospodarczej sytuacje decyzyjne, w których zasadne jest zastosowanie modeli prognostycznych oraz prawidłowo projektować proces gromadzenia i analizy danych.

Literatura:

Literatura podstawowa:

o Gareth J., Witten D., Hastie T., Tibshirani R. (2021), An Introduction to Statistical Learning (https://www.statlearning.com/), łącznie ze slajdami do wykładów

Literatura uzupełniająca:

Hastie T., Tibshirani R., Friedman J. (2017), The Elements of Statistical Learning (http://www-stat.stanford.edu/~tibs/ElemStatLearn/)

Uwagi:

Kryteria oceniania:

kolokwium: 50.00%

ocena z ćwiczeń: 50.00%

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

Okres: 2024-10-01 - 2025-02-14
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Wykład, 14 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Mateusz Zawisza
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Wykład - Ocena
Skrócony opis:

Zapoznanie studentów z metodami generowania modeli prognostycznych na podstawie analizy danych o dużych wolumenach oraz ich wykorzystaniem do wspomagania podejmowania decyzji. Praktyczne aspekty budowy modeli: gromadzenie i transformacja danych, szacowanie parametrów modelu, prognozowanie i rekomendacja decyzji na podstawie oszacowanego modelu z wykorzystaniem języka programowania. Omówienie metod oceny jakości modeli prognostycznych.

Pełny opis:

1. Przedstawić pojęcia, rozumowania i wyniki związane z generowaniem złożonych modeli prognostycznych na podstawie danych o wielkich wolumenach oraz wykorzystaniem tych modeli do wspomagania podejmowania decyzji zarządczych.

2. Zapoznać z algorytmami komputerowymi stosowanymi przy generowaniu modeli prognostycznych oraz ich implementacją w języku programowania.

3. Zbudować umiejętność budowy, interpretacji, weryfikacji i selekcji modeli prognostycznych oraz ich wykorzystania do wspomagania

podejmowania decyzji.

4. Nauczyć jak identyfikować w praktyce gospodarczej sytuacje decyzyjne, w których zasadne jest zastosowanie modeli prognostycznych oraz prawidłowo projektować proces gromadzenia i analizy danych.

Literatura:

Literatura podstawowa:

o Gareth J., Witten D., Hastie T., Tibshirani R. (2021), An Introduction to Statistical Learning (https://www.statlearning.com/), łącznie ze slajdami do wykładów

Literatura uzupełniająca:

Hastie T., Tibshirani R., Friedman J. (2017), The Elements of Statistical Learning (http://www-stat.stanford.edu/~tibs/ElemStatLearn/)

Uwagi:

Kryteria oceniania:

kolokwium: 50.00%

ocena z ćwiczeń: 50.00%

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

Okres: 2024-02-24 - 2024-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Wykład, 14 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Bogumił Kamiński
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Wykład - Ocena
Skrócony opis:

Zapoznanie studentów z metodami generowania modeli prognostycznych na podstawie analizy danych o dużych wolumenach oraz ich wykorzystaniem do wspomagania podejmowania decyzji. Praktyczne aspekty budowy modeli: gromadzenie i transformacja danych, szacowanie parametrów modelu, prognozowanie i rekomendacja decyzji na podstawie oszacowanego modelu z wykorzystaniem języka Julia, Python i R. Omówienie metod oceny jakości modeli prognostycznych.

Pełny opis:

1. Przedstawić pojęcia, rozumowania i wyniki związane z generowaniem złożonych modeli prognostycznych na podstawie danych o wielkich wolumenach oraz wykorzystaniem tych modeli do wspomagania podejmowania decyzji zarządczych.

2. Zapoznać z algorytmami komputerowymi stosowanymi przy generowaniu modeli prognostycznych oraz ich implementacją w językach Julia, Python i R.

3. Zbudować umiejętność budowy, interpretacji, weryfikacji i selekcji modeli prognostycznych oraz ich wykorzystania do wspomagania

podejmowania decyzji.

4. Nauczyć jak identyfikować w praktyce gospodarczej sytuacje decyzyjne, w których zasadne jest zastosowanie modeli prognostycznych oraz prawidłowo projektować proces gromadzenia i analizy danych.

Literatura:

Literatura podstawowa:

J. Gareth, D. Witten, T. Hastie, R. Tibshirani, An Introduction to Statistical Learning with Applications in R, 2013; B. Kamiński: The Julia Express, http://bogumilkaminski.pl/files/julia_express.pdf; B. Kamiński: Julia DataFrames Tutorial, https://github.com/bkamins/Julia-DataFrames-Tutorial

Literatura uzupełniająca:

T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning, 2013; Bogumił Kamiński, Przemysław Szufel: Julia 1.0 Programming Cookbook, https://www.packtpub.com/application-development/julia-10-programming-cookbook

Uwagi:

Kryteria oceniania:

kolokwium: 50.00%

ocena z ćwiczeń: 50.00%

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

Okres: 2023-10-01 - 2024-02-23
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Wykład, 14 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Mateusz Zawisza
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Wykład - Ocena
Skrócony opis:

Zapoznanie studentów z metodami generowania modeli prognostycznych na podstawie analizy danych o dużych wolumenach oraz ich wykorzystaniem do wspomagania podejmowania decyzji. Praktyczne aspekty budowy modeli: gromadzenie i transformacja danych, szacowanie parametrów modelu, prognozowanie i rekomendacja decyzji na podstawie oszacowanego modelu z wykorzystaniem języka Julia, Python i R. Omówienie metod oceny jakości modeli prognostycznych.

Pełny opis:

1. Przedstawić pojęcia, rozumowania i wyniki związane z generowaniem złożonych modeli prognostycznych na podstawie danych o wielkich wolumenach oraz wykorzystaniem tych modeli do wspomagania podejmowania decyzji zarządczych.

2. Zapoznać z algorytmami komputerowymi stosowanymi przy generowaniu modeli prognostycznych oraz ich implementacją w językach Julia, Python i R.

3. Zbudować umiejętność budowy, interpretacji, weryfikacji i selekcji modeli prognostycznych oraz ich wykorzystania do wspomagania

podejmowania decyzji.

4. Nauczyć jak identyfikować w praktyce gospodarczej sytuacje decyzyjne, w których zasadne jest zastosowanie modeli prognostycznych oraz prawidłowo projektować proces gromadzenia i analizy danych.

Literatura:

Literatura podstawowa:

J. Gareth, D. Witten, T. Hastie, R. Tibshirani, An Introduction to Statistical Learning with Applications in R, 2013; B. Kamiński: The Julia Express, http://bogumilkaminski.pl/files/julia_express.pdf; B. Kamiński: Julia DataFrames Tutorial, https://github.com/bkamins/Julia-DataFrames-Tutorial

Literatura uzupełniająca:

T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning, 2013; Bogumił Kamiński, Przemysław Szufel: Julia 1.0 Programming Cookbook, https://www.packtpub.com/application-development/julia-10-programming-cookbook

Uwagi:

Kryteria oceniania:

kolokwium: 50.00%

ocena z ćwiczeń: 50.00%

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Szkoła Główna Handlowa w Warszawie.
al. Niepodległości 162
02-554 Warszawa
tel: +48 22 564 60 00 http://www.sgh.waw.pl/
kontakt deklaracja dostępności mapa serwisu USOSweb 7.1.0.0