Statystyczne reguły decyzyjne
Informacje ogólne
Kod przedmiotu: | 223490-S |
Kod Erasmus / ISCED: |
11.2
|
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)
|
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 |
Przejdź do planu
PN WT ŚR CZ PT |
Typ zajęć: |
Zajęcia prowadzącego
|
|
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 |
Przejdź do planu
PN WT ŚR CZ PT |
Typ zajęć: |
Wykład, 14 godzin
|
|
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 |
Przejdź do planu
PN WT ŚR CZ PT SO WYK
|
Typ zajęć: |
Wykład, 14 godzin
|
|
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 |
Przejdź do planu
PN WT ŚR CZ PT |
Typ zajęć: |
Wykład, 14 godzin
|
|
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 |
Przejdź do planu
PN WT ŚR CZ PT SO N WYK
|
Typ zajęć: |
Wykład, 14 godzin
|
|
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% |
Właścicielem praw autorskich jest Szkoła Główna Handlowa w Warszawie.