Szkoła Główna Handlowa w Warszawie - Centralny System Uwierzytelniania
Strona główna

Statistical Learning Methods

Informacje ogólne

Kod przedmiotu: 223491-D
Kod Erasmus / ISCED: 11.0 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. / (0540) Matematyka i statystyka Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Statistical Learning Methods
Jednostka: Szkoła Główna Handlowa w Warszawie
Grupy: Elective courses for QEM - masters
Major courses for AAB - masters
Przedmioty kierunkowe do wyboru SMMD-MIS
Przedmioty obowiązkowe na programie SMMD-ADA
Punkty ECTS i inne: 6.00 (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: angielski
Efekty uczenia się:

Wiedza:

Student should be able to: 1. Present the applications of statistical learning methods used to support business decision making process. 2. Develop and explain the model building process and its application to the real-world managerial decision making support.

Student should be able to: 1. Explain the reasons and consequences of model underfitting and overfitting. 2. Discuss the pros and cons of various selection and shrinkage methods.

Student should be able to: 1. Enumerate classifier and regression evaluation measurements and visualization techniques. 2. Explain pros and cons of classical predictive models, i.e.: logistic regression, ridge and LASSO regression, spline function, kernel estimators, classification and regression trees, artificial neural nets.

Umiejętności:

The student should know: 1. Be able to build, verify, evaluate predictive model and construct the prediction based on them. 2. Install and be able to work in Julia language.

The student should know: Implement in Julia language the following procedures: data transformation, parameters estimation, prediction, decision making based on built models, results export.

The student should know: Develop data collecting, model building and data making process in real-world applications.

Kompetencje społeczne:

Other competences: Be able to present and communicate acquired results to high-level managerial stuff

Other competences: Acquire the ability of continued learning of methods related to data mining.

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: 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
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 15 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Bogumił Kamiński
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Wykład - Ocena
Skrócony opis:

Getting to know statistical algorithms of predictive model building used in decision making support. Practical aspects of model building: data collection and transformation, parameter estimation, prediction and decision making support based on models implemented in a programming language. Model Evaluation measurements and visualization.
Pełny opis:

1. Present concepts of statistical learning methods and acquire the necessary understanding to be able to taking advantage of these model to support managerial decision making. 2. Get to know statistical algorithms used to induce predictive models and to learn how to implement these algorithms in a programming language. 3. Acquire skills required to build, interpret, verify and select robust predictive models. 4. Learn to identify business context, in which it is appropriate to make usage of data mining techniques. Be able to develop a process of data collecting and analyzing.
Literatura:

Literatura podstawowa:

Gareth J., Witten D., Hastie T., Tibshirani R. (2021), An Introduction to Statistical Learning (https://www.statlearning.com/)

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
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 15 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: (brak danych)
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Wykład - Ocena
Skrócony opis:

Getting to know statistical algorithms of predictive model building used in decision making support. Practical aspects of model building: data collection and transformation, parameter estimation, prediction and decision making support based on models implemented in a programming language. Model Evaluation measurements and visualization.
Pełny opis:

1. Present concepts of statistical learning methods and acquire the necessary understanding to be able to taking advantage of these model to support managerial decision making. 2. Get to know statistical algorithms used to induce predictive models and to learn how to implement these algorithms in a programming language. 3. Acquire skills required to build, interpret, verify and select robust predictive models. 4. Learn to identify business context, in which it is appropriate to make usage of data mining techniques. Be able to develop a process of data collecting and analyzing.
Literatura:

Literatura podstawowa:

Gareth J., Witten D., Hastie T., Tibshirani R. (2021), An Introduction to Statistical Learning (https://www.statlearning.com/)

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
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 15 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Bogumił Kamiński, Łukasz Kraiński
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Wykład - Ocena
Skrócony opis:

Getting to know statistical algorithms of predictive model building used in decision making support. Practical aspects of model building: data collection and transformation, parameter estimation, prediction and decision making support based on models implemented in Julia, Python and R language. Model Evaluation measurements and visualization.
Pełny opis:

1. Present concepts of statistical learning methods and acquire the necessary understanding to be able to taking advantage of these model to support managerial decision making. 2. Get to know statistical algorithms used to induce predictive models and to learn how to implement these algorithms in Julia, Python and R language. 3. Acquire skills required to build, interpret, verify and select robust predictive models. 4. Learn to identify business context, in which it is appropriate to make usage of data mining techniques. Be able to develop a process of data collecting and analyzing.
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.
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
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 15 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: (brak danych)
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Wykład - Ocena
Skrócony opis:

Getting to know statistical algorithms of predictive model building used in decision making support. Practical aspects of model building: data collection and transformation, parameter estimation, prediction and decision making support based on models implemented in Julia, Python and R language. Model Evaluation measurements and visualization.
Pełny opis:

1. Present concepts of statistical learning methods and acquire the necessary understanding to be able to taking advantage of these model to support managerial decision making. 2. Get to know statistical algorithms used to induce predictive models and to learn how to implement these algorithms in Julia, Python and R language. 3. Acquire skills required to build, interpret, verify and select robust predictive models. 4. Learn to identify business context, in which it is appropriate to make usage of data mining techniques. Be able to develop a process of data collecting and analyzing.
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.
Uwagi:

Kryteria oceniania:

kolokwium: 50.00%

ocena z ćwiczeń: 50.00%
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