Statystyczne reguły decyzyjne

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.

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 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/)

Kryteria oceniania:

kolokwium (test sprawdzający wiedzę teoretyczną): 50.00%

projekty (projekt analityczny w grupach 2-osobowych): 50.00%

Odsetek nieobecności, powyżej którego nie zalicza się przedmiotu (nie dot. wykładów)

wyrażony odsetkiem godzin, powyżej którego wyklucza się osiągnięcie efektów uczenia się: 50%

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.

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 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/)

Kryteria oceniania:

kolokwium (test sprawdzający wiedzę teoretyczną): 50.00%

projekty (projekt analityczny w grupach 2-osobowych): 50.00%

Odsetek nieobecności, powyżej którego nie zalicza się przedmiotu (nie dot. wykładów)

wyrażony odsetkiem godzin, powyżej którego wyklucza się osiągnięcie efektów uczenia się: 50%

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.

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 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/)

Kryteria oceniania:

kolokwium (test sprawdzający wiedzę teoretyczną): 50.00%

projekty (projekt analityczny w grupach 2-osobowych): 50.00%

Odsetek nieobecności, powyżej którego nie zalicza się przedmiotu (nie dot. wykładów)

wyrażony odsetkiem godzin, powyżej którego wyklucza się osiągnięcie efektów uczenia się: 50%

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.

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 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/)

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.

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 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/)