Szkoła Główna Handlowa w Warszawie - Centralny System UwierzytelnianiaNie jesteś zalogowany | zaloguj się
katalog przedmiotów - pomoc

Data mining (w języku polskim)

Informacje ogólne

Kod przedmiotu: 223120-S Kod Erasmus / ISCED: 11.0 / (0540) Matematyka i statystyka
Nazwa przedmiotu: Data mining (w języku polskim)
Jednostka: Szkoła Główna Handlowa w Warszawie
Grupy: Przedmioty kierunkowe do wyboru NMMS-MIS
Przedmioty obowiązkowe na programie NMMS-ADA
Punkty ECTS i inne: 3.00 (zmienne w czasie)
zobacz reguły punktacji
Język prowadzenia: polski
Skrócony opis:

Zajęcia służą przyswojeniu przez studentów pogłębionej wiedzy z zakresu zaawansowanych technik data mining, na które składają się zaawansowane metody analizy dużych zbiorów danych. 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.

Pełny opis:

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 na studiach magisterskich stacjonarnych, kierunek : Analiza Danych - Big Data.

Literatura:

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.

Efekty uczenia się:

Wiedza:

Student powinien

znać i rozumieć poszczególne etapy w procesie odkrywania wiedzy z danych

Student powinien

rozumieć specyfikę poszczególnych metod i modeli data mining

Student powinien

umieć wybrać odpowiednie metody i model w konkretnym zagadnieniu klasyfikacyjnym

Student powinien

rozumieć istotę prezentowanych algorytmów, a szczególnie interpretować otrzymane wyniki analiz

Umiejętności:

Student powinien

potrafić rozwiązać konkretny problem klasyfikacyjny posługując się odpowiednim oprogramowaniem komputerowym

Student powinien

umieć przygotować dane do wybranej metody data mining

Student powinien

przeprowadzić estymację modeli data mining

Student powinien

ocenić jakość otrzymanych modeli

Student powinien

rozumieć wady i zalety poszczególnych metod stosowanych przez niego

Kompetencje społeczne:

Docenia znaczenie analizy danych we współczesnych przedsiębiorstwach

Potrafić ocenić użyteczność pozyskanej wiedzy w praktyce

Rozumie społeczne konsekwencje źle przeprowadzonych analiz

Metody i kryteria oceniania:

egzamin testowy: 50.00%

referaty/eseje: 50.00%

Zajęcia w cyklu "Semestr zimowy 2019/20" (zakończony)

Okres: 2019-10-01 - 2020-02-21
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Laboratorium, 14 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Wioletta Grzenda, Aneta Ptak-Chmielewska, Ryszard Szupiluk
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Egzamin

Zajęcia w cyklu "Semestr letni 2019/20" (zakończony)

Okres: 2020-02-22 - 2020-09-30
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Laboratorium, 14 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Wioletta Grzenda, Aneta Ptak-Chmielewska
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Egzamin

Zajęcia w cyklu "Semestr zimowy 2020/21" (zakończony)

Okres: 2020-10-01 - 2021-02-19
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Laboratorium, 14 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Wioletta Grzenda, Aneta Ptak-Chmielewska
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Egzamin

Zajęcia w cyklu "Semestr letni 2020/21" (zakończony)

Okres: 2021-02-20 - 2021-09-30
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Laboratorium, 14 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Wioletta Grzenda, Aneta Ptak-Chmielewska
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Egzamin

Zajęcia w cyklu "Semestr zimowy 2021/22" (zakończony)

Okres: 2021-10-01 - 2022-02-18
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Laboratorium, 14 godzin więcej informacji
Praca samodzielna pod kontrolą wykładowcy, 7 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Wioletta Grzenda, Aneta Ptak-Chmielewska
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Egzamin

Zajęcia w cyklu "Semestr letni 2021/22" (w trakcie)

Okres: 2022-02-19 - 2022-09-30
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Laboratorium, 14 godzin więcej informacji
Praca samodzielna pod kontrolą wykładowcy, 7 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Wioletta Grzenda, Aneta Ptak-Chmielewska, Ryszard Szupiluk
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Egzamin
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Szkoła Główna Handlowa w Warszawie.