Data mining (w języku polskim)

Studenci pozyskają wiedzę z zakresu podstawowych i zaawansowanych technik data mining. Ostatnio powstało wiele efektywnych algorytmów pozwalających w sposób niemal automatyczny odkrywać prawidłowości i zależności ukryte w różnorodnych bazach danych. Pozyskana wiedza może być następnie wykorzystana we wspomaganiu procesów decyzyjnych w biznesie, nauce i technice.

Celem zajęć jest przekazanie studentom teoretycznej i praktycznej wiedzy z zakresu zaawansowanych metod eksploracji danych (data mining). W toku prowadzonych zajęć prezentowane są teoretyczne podstawy poszczególnych technik data mining oraz metody weryfikacji przydatności wybranych modeli, jak również wskazywane są obszary zastosowań, zwłaszcza z zakresu biznesu. W ramach zajęć laboratoryjnych studenci mają możliwość realizacji pełnego procesu odkrywania wiedzy z danych, począwszy od przygotowania bazy danych, zdefiniowania oraz doboru zmiennych, przez modelowanie, aż po ocenę praktycznej użyteczności uzyskanych wyników analiz i przetwarzanych modeli. Zajęcia te wchodzą w skład Certyfikatu: Data Scientist z Systemem SAS.

Literatura podstawowa:

P.Flach, Machine Learning: The Art and Science of Algorithms that Make Sense of Data, Cambridge University Press, Cambridge, 2012;

A.Géron, Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow. " O'Reilly Media, Inc.", 2022;

I.Goodfellow, Y.Bengio, A.Courville, Deep learning (Vol. 1, p. 2). Cambridge: MIT press, 2016;

S.Haykin, Neural Networks and Learning Machines, Pearson, New Jersey 2009;

N.Japkowicz, M.Shah, Evaluating Learning Algorithms: A Classification Perspective, Cambridge University Press, New York, USA, 2011;

N.Ketkar, E.Santana. Deep learning with Python (Vol. 1). Berkeley, CA: Apress, 2017;

J.Koronacki, J.Ćwik, Statystyczne systemy uczące się, WN-T, Warszawa 2005;

D.T.Larose, Discovering Knowledge in Data: An Introduction to Data Mining, Wiley, New York 2005;

D.T.Larose, Data Mining Methods and Models, Wiley, New York 2006;

R.Matignon, Data Mining Using SAS Enterprise Miner, Wiley, Hoboken, NJ, 2007;

F. Provost,T. Fawcett, Data Science for Business: What you need to know about data mining and data-analytic thinking, O'Reilly, USA, 2013;

I.H.Witten, H.Ian, Data Mining: Practical Machine Learning Tools and Techniques, Second Edition, Morgan Kaufmann, New York 2005.

A.Zheng, A.Casari, Feature engineering for machine learning: principles and techniques for data scientists. " O'Reilly Media, Inc.", 2018;

Literatura uzupełniająca:

K.J.Cios, W.Pedrycz, R.W.Swiniarski, L.A.Kurgan, Data Mining: A Knowledge Discovery Approach, Springer Science, Business Media, New York, 2007;

B.L.Bowerman, R.T.O?Connell, Business Statistics In Practice, McGraw-Hill, New York, 2007;

T.H.Davenport, J.G.Harris, Competing on Analytics: The New Science of Winning, Harward Business School Press, Boston, MA, 2007;

J.P.Lander, R for Everyone: Advanced Analytics and Graphics, Pearson Education, USA, 2014.

M.Lasek, M.Pęczkowski, Enterprise Miner: wykorzystywanie narzędzi Data Mining w systemie SAS. Wydawnictwa Uniwersytetu Warszawskiego, 2013.

T. Morzy, Eksploracja danych, Metody i algorytmy, PWN, Warszawa 2013;

Z.Pawlak, Rough Sets: Theoretical Aspects of Reasoning about Data, Kluwer Academic Publishers, Norwell, MA, 1992.

Kryteria oceniania:

egzamin testowy: 50.00%

referaty/eseje: 50.00%

Studenci pozyskają wiedzę z zakresu podstawowych i zaawansowanych technik data mining. Ostatnio powstało wiele efektywnych algorytmów pozwalających w sposób niemal automatyczny odkrywać prawidłowości i zależności ukryte w różnorodnych bazach danych. Pozyskana wiedza może być następnie wykorzystana we wspomaganiu procesów decyzyjnych w biznesie, nauce i technice.

Celem zajęć jest przekazanie studentom teoretycznej i praktycznej wiedzy z zakresu zaawansowanych metod eksploracji danych (data mining). W toku prowadzonych zajęć prezentowane są teoretyczne podstawy poszczególnych technik data mining oraz metody weryfikacji przydatności wybranych modeli, jak również wskazywane są obszary zastosowań, zwłaszcza z zakresu biznesu. W ramach zajęć laboratoryjnych studenci mają możliwość realizacji pełnego procesu odkrywania wiedzy z danych, począwszy od przygotowania bazy danych, zdefiniowania oraz doboru zmiennych, przez modelowanie, aż po ocenę praktycznej użyteczności uzyskanych wyników analiz i przetwarzanych modeli. Zajęcia te wchodzą w skład Certyfikatu: Data Scientist z Systemem SAS.

Literatura podstawowa:

P.Flach, Machine Learning: The Art and Science of Algorithms that Make Sense of Data, Cambridge University Press, Cambridge, 2012;

A.Géron, Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow. " O'Reilly Media, Inc.", 2022;

I.Goodfellow, Y.Bengio, A.Courville, Deep learning (Vol. 1, p. 2). Cambridge: MIT press, 2016;

S.Haykin, Neural Networks and Learning Machines, Pearson, New Jersey 2009;

N.Japkowicz, M.Shah, Evaluating Learning Algorithms: A Classification Perspective, Cambridge University Press, New York, USA, 2011;

N.Ketkar, E.Santana. Deep learning with Python (Vol. 1). Berkeley, CA: Apress, 2017;

J.Koronacki, J.Ćwik, Statystyczne systemy uczące się, WN-T, Warszawa 2005;

D.T.Larose, Discovering Knowledge in Data: An Introduction to Data Mining, Wiley, New York 2005;

D.T.Larose, Data Mining Methods and Models, Wiley, New York 2006;

R.Matignon, Data Mining Using SAS Enterprise Miner, Wiley, Hoboken, NJ, 2007;

F. Provost,T. Fawcett, Data Science for Business: What you need to know about data mining and data-analytic thinking, O'Reilly, USA, 2013;

I.H.Witten, H.Ian, Data Mining: Practical Machine Learning Tools and Techniques, Second Edition, Morgan Kaufmann, New York 2005.

A.Zheng, A.Casari, Feature engineering for machine learning: principles and techniques for data scientists. " O'Reilly Media, Inc.", 2018;

Literatura uzupełniająca:

K.J.Cios, W.Pedrycz, R.W.Swiniarski, L.A.Kurgan, Data Mining: A Knowledge Discovery Approach, Springer Science, Business Media, New York, 2007;

B.L.Bowerman, R.T.O?Connell, Business Statistics In Practice, McGraw-Hill, New York, 2007;

T.H.Davenport, J.G.Harris, Competing on Analytics: The New Science of Winning, Harward Business School Press, Boston, MA, 2007;

J.P.Lander, R for Everyone: Advanced Analytics and Graphics, Pearson Education, USA, 2014.

M.Lasek, M.Pęczkowski, Enterprise Miner: wykorzystywanie narzędzi Data Mining w systemie SAS. Wydawnictwa Uniwersytetu Warszawskiego, 2013.

T. Morzy, Eksploracja danych, Metody i algorytmy, PWN, Warszawa 2013;

Z.Pawlak, Rough Sets: Theoretical Aspects of Reasoning about Data, Kluwer Academic Publishers, Norwell, MA, 1992.

Kryteria oceniania:

egzamin testowy: 50.00%

referaty/eseje: 50.00%

Zajęcia służą przyswojeniu przez studentów pogłębionej wiedzy z zakresu podstawowych i zaawansowanych technik data mining. Ostatnio powstało wiele efektywnych algorytmów pozwalających w sposób niemal automatyczny odkrywać prawidłowości i zależności ukryte w różnorodnych bazach danych. Pozyskana wiedza może być następnie wykorzystana we wspomaganiu procesów decyzyjnych w biznesie, nauce i technice.

Celem zajęć jest przekazanie studentom teoretycznej i praktycznej wiedzy z zakresu zaawansowanych metod eksploracji danych (data mining). W toku prowadzonych zajęć prezentowane są teoretyczne podstawy poszczególnych technik data mining oraz metody weryfikacji przydatności wybranych modeli, jak również wskazywane są obszary zastosowań, zwłaszcza z zakresu biznesu. W ramach zajęć laboratoryjnych studenci mają możliwość realizacji pełnego procesu odkrywania wiedzy z danych, począwszy od przygotowania bazy danych, zdefiniowania oraz doboru zmiennych, przez modelowanie, aż po ocenę praktycznej użyteczności uzyskanych wyników analiz i przetwarzanych modeli. Zajęcia te wchodzą w skład Certyfikatu: Data Scientist z Systemem SAS.

Literatura podstawowa:

P.Flach, Machine Learning: The Art and Science of Algorithms that Make Sense of Data, Cambridge University Press, Cambridge, 2012;

I.Goodfellow, Y.Bengio, A.Courville, Deep learning (Vol. 1, p. 2). Cambridge: MIT press, 2016;

S.Haykin, Neural Networks and Learning Machines, Pearson, New Jersey 2009;

N.Japkowicz, M.Shah, Evaluating Learning Algorithms: A Classification Perspective, Cambridge University Press, New York, USA, 2011;

J.Koronacki, J.Ćwik, Statystyczne systemy uczące się, WN-T, Warszawa 2005;

D.T.Larose, Discovering Knowledge in Data: An Introduction to Data Mining, Wiley, New York 2005;

D.T.Larose, Data Mining Methods and Models, Wiley, New York 2006;

R.Matignon, Data Mining Using SAS Enterprise Miner, Wiley, Hoboken, NJ, 2007;

F. Provost,T. Fawcett, Data Science for Business: What you need to know about data mining and data-analytic thinking, O'Reilly, USA, 2013;

I.H.Witten, H.Ian, Data Mining: Practical Machine Learning Tools and Techniques, Second Edition, Morgan Kaufmann, New York 2005.

Literatura uzupełniająca:

K.J.Cios, W.Pedrycz, R.W.Swiniarski, L.A.Kurgan, Data Mining: A Knowledge Discovery Approach, Springer Science, Business Media, New York, 2007;

B.L.Bowerman, R.T.O?Connell, Business Statistics In Practice, McGraw-Hill, New York, 2007;

T.H.Davenport, J.G.Harris, Competing on Analytics: The New Science of Winning, Harward Business School Press, Boston, MA, 2007;

J.P.Lander, R for Everyone: Advanced Analytics and Graphics, Pearson Education, USA, 2014.

M.Lasek, M.Pęczkowski, Enterprise Miner: wykorzystywanie narzędzi Data Mining w systemie SAS. Wydawnictwa Uniwersytetu Warszawskiego, 2013.

T. Morzy, Eksploracja danych, Metody i algorytmy, PWN, Warszawa 2013;

Z.Pawlak, Rough Sets: Theoretical Aspects of Reasoning about Data, Kluwer Academic Publishers, Norwell, MA, 1992.

Kryteria oceniania:

egzamin testowy: 50.00%

referaty/eseje: 50.00%

Zajęcia służą przyswojeniu przez studentów pogłębionej wiedzy z zakresu podstawowych i zaawansowanych technik data mining. Ostatnio powstało wiele efektywnych algorytmów pozwalających w sposób niemal automatyczny odkrywać prawidłowości i zależności ukryte w różnorodnych bazach danych. Pozyskana wiedza może być następnie wykorzystana we wspomaganiu procesów decyzyjnych w biznesie, nauce i technice.

Celem zajęć jest przekazanie studentom teoretycznej i praktycznej wiedzy z zakresu zaawansowanych metod eksploracji danych (data mining). W toku prowadzonych zajęć prezentowane są teoretyczne podstawy poszczególnych technik data mining oraz metody weryfikacji przydatności wybranych modeli, jak również wskazywane są obszary zastosowań, zwłaszcza z zakresu biznesu. W ramach zajęć laboratoryjnych studenci mają możliwość realizacji pełnego procesu odkrywania wiedzy z danych, począwszy od przygotowania bazy danych, zdefiniowania oraz doboru zmiennych, przez modelowanie, aż po ocenę praktycznej użyteczności uzyskanych wyników analiz i przetwarzanych modeli. Zajęcia te wchodzą w skład Certyfikatu: Data Scientist z Systemem SAS.

Literatura podstawowa:

P.Flach, Machine Learning: The Art and Science of Algorithms that Make Sense of Data, Cambridge University Press, Cambridge, 2012;

I.Goodfellow, Y.Bengio, A.Courville, Deep learning (Vol. 1, p. 2). Cambridge: MIT press, 2016;

S.Haykin, Neural Networks and Learning Machines, Pearson, New Jersey 2009;

N.Japkowicz, M.Shah, Evaluating Learning Algorithms: A Classification Perspective, Cambridge University Press, New York, USA, 2011;

J.Koronacki, J.Ćwik, Statystyczne systemy uczące się, WN-T, Warszawa 2005;

D.T.Larose, Discovering Knowledge in Data: An Introduction to Data Mining, Wiley, New York 2005;

D.T.Larose, Data Mining Methods and Models, Wiley, New York 2006;

R.Matignon, Data Mining Using SAS Enterprise Miner, Wiley, Hoboken, NJ, 2007;

F. Provost,T. Fawcett, Data Science for Business: What you need to know about data mining and data-analytic thinking, O'Reilly, USA, 2013;

I.H.Witten, H.Ian, Data Mining: Practical Machine Learning Tools and Techniques, Second Edition, Morgan Kaufmann, New York 2005.

Literatura uzupełniająca:

K.J.Cios, W.Pedrycz, R.W.Swiniarski, L.A.Kurgan, Data Mining: A Knowledge Discovery Approach, Springer Science, Business Media, New York, 2007;

B.L.Bowerman, R.T.O?Connell, Business Statistics In Practice, McGraw-Hill, New York, 2007;

T.H.Davenport, J.G.Harris, Competing on Analytics: The New Science of Winning, Harward Business School Press, Boston, MA, 2007;

J.P.Lander, R for Everyone: Advanced Analytics and Graphics, Pearson Education, USA, 2014.

M.Lasek, M.Pęczkowski, Enterprise Miner: wykorzystywanie narzędzi Data Mining w systemie SAS. Wydawnictwa Uniwersytetu Warszawskiego, 2013.

T. Morzy, Eksploracja danych, Metody i algorytmy, PWN, Warszawa 2013;

Z.Pawlak, Rough Sets: Theoretical Aspects of Reasoning about Data, Kluwer Academic Publishers, Norwell, MA, 1992.

Kryteria oceniania:

egzamin testowy: 50.00%

referaty/eseje: 50.00%