Szkoła Główna Handlowa w Warszawie - Centralny System Uwierzytelniania
Strona główna

Graph Mining (w języku polskim)

Informacje ogólne

Kod przedmiotu: 23A1N0-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: Graph Mining (w języku polskim)
Jednostka: Szkoła Główna Handlowa w Warszawie
Grupy:
Punkty ECTS i inne: 3.00 (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:

Student rozumie podstawowe pojęcia teorii grafów.

Student rozumie podstawowe pojęcia nauki o sieciach złożonych.

Student zna podstawowe narzędzia graph miningu.

Student wie gdzie mogą i powinny być zastosowane narzędzia graph miningowe.

Umiejętności:

Student potrafi zbudować, zweryfikować i ocenić model graph miningowy.

Student potrafi zebrać, przetworzyć i wykorzystać rzeczywiste dane relacyjne.

Student potrafi zwizualizować wyniki swojej pracy.

Kompetencje społeczne:

Komunikowanie wyników modeli uczenia ze wzmocnieniem specjalistom i decydentom.

Zdolność do dalszego samodzielnego poszerzania wiedzy w tematyce graph miningu.

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: Bartosz Pankratz
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:
Laboratorium, 15 godzin więcej informacji
Wykład, 15 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: (brak danych)
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Wykład - Ocena
Skrócony opis:

Podczas zajęć studenci poznają wybrane algorytmy, techniki i praktyczne zastosowania graph miningu. W trakcie zajęć studenci poznają między innymi: podstawowe miary centralności wierzchołków, miary korelacji stopni, algorytmy grupowania na grafach i techniki osadzania grafów. Wykłady poświęcone będą podstawowym teoretycznym zagadnieniom związanym z teorią grafów i nauką o sieciach złożonych. Zdobyta wiedza teoretyczna następnie będzie wykorzystywana w praktyce, podczas laboratoriów na których będą prezentowane eksperymenty w językach programowania Python i Julia. Wykład zakłada wcześniejsze ukończenie przedmiotu Statystyczne Reguły Decyzyjne.

Pełny opis:

Celem przedmiotu jest przedstawienie podstawowej wiedzy dotyczącej współczesnej nauki o sieciach złożonych oraz technik graph miningu. W trakcie zajęć przedstawione zostaną podstawowe definicje teorii grafów, w szczególności grafów losowych. Przedstawione zostaną algorytmy, miary i modele wykorzystywane do analizy danych relacyjnych. W trakcie zajęć studenci nauczą się samodzielnie implementować takie modele, analizować i prezentować ich wyniki oraz identyfikować sytuacje decyzyjne, w których zasadne jest zastosowanie grafów jako typu danych. Wykład zakłada wcześniejsze ukończenie przedmiotu Statystyczne Reguły Decyzyjne.

Literatura:

Literatura podstawowa:

Kamiński B., Prałat P. and Théberge F. (2022), Mining Complex Networks, first edition (https://www.torontomu.ca/mining-complex-networks/)

Barabási A.-L. (2018), Network science. Cambridge University Press (http://networksciencebook.com/)

Literatura uzupełniająca:

Latora V., Nicosia V. and Russo G. (2017), Complex Networks - Principles, Methods and Applications. Cambridge University Press

Newman M (2018), Complex Networks - Principles, Methods and Applications. Oxford University Press, 2nd ed.

Menczer F., Fortunato S. and Davis C. A. (2020), A First Course in Network Science. Cambridge University Press

Publikacje własne:

Bogumił Kamiński, Tomasz Olczak, Bartosz Pankratz, Paweł Prałat , dr Francois Theberge, Properties and Performance of the ABCDe Random Graph Model with Community Structure, W: Big Data Research,2022;

Przemysław Szufel, Bartosz Pankratz, Anna Szczurek, Bogumił Kamiński, Paweł Prałat , Vehicle Routing Simulation for Prediction of Commuter?s Behaviour, W: JOURNAL OF ADVANCED TRANSPORTATION,2022;

Bogumił Kamiński, Bartosz Pankratz, Paweł Prałat, Francois Theberge, Modularity of the ABCD random graph model with community structure, W: Journal of Complex Networks,2022;

Przemysław Szufel, Bogumił Kamiński, Bartosz Pankratz, Francois Theberge , dr Paweł Prałat , Valerie Poulin , Clustering via Hypergraph Modularity,W: red. Hocine Cherifi, José Fernando Mendes, Luis Mateus Rocha, Sabrina Gaito, Esteban Moro, Joana Gonçalves-Sá, Francisco Santos, Complex Networks 2019 : The 8th International Conference on Complex Networks & Their Applications : Book of Abstract ,2019

Uwagi:

Kryteria oceniania:

egzamin tradycyjny-pisemny: 0.00%

egzamin testowy: 0.00%

egzamin ustny: 50.00%

kolokwium: 0.00%

projekty: 50.00%

studia przypadków: 0.00%

prezentacje indywidualne lub grupowe: 0.00%

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

Okres: 2024-10-01 - 2025-02-14
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 15 godzin więcej informacji
Wykład, 15 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: (brak danych)
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Wykład - Ocena
Skrócony opis:

Podczas zajęć studenci poznają wybrane algorytmy, techniki i praktyczne zastosowania graph miningu. W trakcie zajęć studenci poznają między innymi: podstawowe miary centralności wierzchołków, miary korelacji stopni, algorytmy grupowania na grafach i techniki osadzania grafów. Wykłady poświęcone będą podstawowym teoretycznym zagadnieniom związanym z teorią grafów i nauką o sieciach złożonych. Zdobyta wiedza teoretyczna następnie będzie wykorzystywana w praktyce, podczas laboratoriów na których będą prezentowane eksperymenty w językach programowania Python i Julia. Wykład zakłada wcześniejsze ukończenie przedmiotu Statystyczne Reguły Decyzyjne.

Pełny opis:

Celem przedmiotu jest przedstawienie podstawowej wiedzy dotyczącej współczesnej nauki o sieciach złożonych oraz technik graph miningu. W trakcie zajęć przedstawione zostaną podstawowe definicje teorii grafów, w szczególności grafów losowych. Przedstawione zostaną algorytmy, miary i modele wykorzystywane do analizy danych relacyjnych. W trakcie zajęć studenci nauczą się samodzielnie implementować takie modele, analizować i prezentować ich wyniki oraz identyfikować sytuacje decyzyjne, w których zasadne jest zastosowanie grafów jako typu danych. Wykład zakłada wcześniejsze ukończenie przedmiotu Statystyczne Reguły Decyzyjne.

Literatura:

Literatura podstawowa:

Kamiński B., Prałat P. and Théberge F. (2022), Mining Complex Networks, first edition (https://www.torontomu.ca/mining-complex-networks/)

Barabási A.-L. (2018), Network science. Cambridge University Press (http://networksciencebook.com/)

Literatura uzupełniająca:

Latora V., Nicosia V. and Russo G. (2017), Complex Networks - Principles, Methods and Applications. Cambridge University Press

Newman M (2018), Complex Networks - Principles, Methods and Applications. Oxford University Press, 2nd ed.

Menczer F., Fortunato S. and Davis C. A. (2020), A First Course in Network Science. Cambridge University Press

Publikacje własne:

Bogumił Kamiński, Tomasz Olczak, Bartosz Pankratz, Paweł Prałat , dr Francois Theberge, Properties and Performance of the ABCDe Random Graph Model with Community Structure, W: Big Data Research,2022;

Przemysław Szufel, Bartosz Pankratz, Anna Szczurek, Bogumił Kamiński, Paweł Prałat , Vehicle Routing Simulation for Prediction of Commuter?s Behaviour, W: JOURNAL OF ADVANCED TRANSPORTATION,2022;

Bogumił Kamiński, Bartosz Pankratz, Paweł Prałat, Francois Theberge, Modularity of the ABCD random graph model with community structure, W: Journal of Complex Networks,2022;

Przemysław Szufel, Bogumił Kamiński, Bartosz Pankratz, Francois Theberge , dr Paweł Prałat , Valerie Poulin , Clustering via Hypergraph Modularity,W: red. Hocine Cherifi, José Fernando Mendes, Luis Mateus Rocha, Sabrina Gaito, Esteban Moro, Joana Gonçalves-Sá, Francisco Santos, Complex Networks 2019 : The 8th International Conference on Complex Networks & Their Applications : Book of Abstract ,2019

Uwagi:

Kryteria oceniania:

egzamin tradycyjny-pisemny: 0.00%

egzamin testowy: 0.00%

egzamin ustny: 50.00%

kolokwium: 0.00%

projekty: 50.00%

studia przypadków: 0.00%

prezentacje indywidualne lub grupowe: 0.00%

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