Podstawy aproksymacji - od analizy Fouriera do deep learning
Informacje ogólne
| Kod przedmiotu: | 231790-D |
| Kod Erasmus / ISCED: |
11.9
|
| Nazwa przedmiotu: | Podstawy aproksymacji - od analizy Fouriera do deep learning |
| Jednostka: | Szkoła Główna Handlowa w Warszawie |
| Grupy: |
Przedmioty kierunkowe do wyboru SMMD-ADA |
| Punkty ECTS i inne: |
4.50 (zmienne w czasie)
|
| Język prowadzenia: | polski |
| Efekty uczenia się: |
Wiedza: Poznanie centralnych pojęć i wyników teorii aproksymacji. Poznanie intuicji, pojęć i metod podejścia deep learningu Poznanie narzędzi przetwarzania danych w zagadnieniach aproksymacyjnych Umiejętności: Zdolność do stosowania pojęć teorii aproksymacji w budowie modeli analitycznych Zdolność do wykorzystywania podejścia aproksymacyjnego w prolemach praktycznych Umiejetność doboru aplikacji informatycznych w analizie zadań aproksymacyjnych Umiejętność prawidłowej oceny potencjalnych błędów i interpretacji wynikow modelowania Kompetencje społeczne: Postawa rzetelności w analizy danych Zdolnośc operowania modelami uzwględniajacymi złożone interakcje społeczne |
Zajęcia w cyklu "Semestr zimowy 2025/26" (jeszcze nie rozpoczęty)
| Okres: | 2025-10-01 - 2026-02-20 |
 
PN WT ŚR CZ PT |
| Typ zajęć: |
Ćwiczenia, 16 godzin
Wykład, 14 godzin
|
|
| Koordynatorzy: | (brak danych) | |
| Prowadzący grup: | (brak danych) | |
| Lista studentów: | (nie masz dostępu) | |
| Zaliczenie: |
Przedmiot -
Ocena
Wykład - Ocena |
|
| Skrócony opis: |
Zajęcia łączą elementy tradycyjnego wykładu z ćwiczeniami oraz prezentacje. Zajęcia prezentują pojęcia i wyniki teorii aproksymacji stosowane we współczesnych ekonomicznych I zarządczych analizach zachowań decydentów i kształtuja umiejetność ich wykorzystania w budowie analiz konkrektnych problemów.Druga część zajęć to prezentacje metod stosowanych w analizie dużych zbiorów danych z wykorzystaniem aplikacji komputurowych opracowanych do tego celu. |
|
| Pełny opis: |
Zapoznanie studentów z matematycznymi podstawami metod aproksymacji wykorzystywanych we współczesnej analizie danych, w tym danych nieustrukturyzowanych. Kształtowanie umiejętności stosowania tych metod i zdolności do zapoznawania z bardziej zaawansowanymi tekstami i technikami oraz pracy grupowej. |
|
| Literatura: |
Literatura podstawowa: Podręcznik: Analiza Matematyczna , K.Maurin, PWN, Podręcznik: Analiza matematyczna, W.Dubnicki, J.Kłopotowski, T.Szapiro, PWN , Podręcznik: Deep Learning, Ian Goodfellow and Yoshua Bengio and Aaron Courville, MIT Press, 2016 Literatura uzupełniająca: Artykuły merytoryczne |
|
| Uwagi: |
Kryteria oceniania: referaty/eseje: 50.00% ocena z ćwiczeń: 50.00% |
|
Zajęcia w cyklu "Semestr letni 2024/25" (w trakcie)
| Okres: | 2025-02-15 - 2025-09-30 |
PN WT ŚR CZ PT |
| Typ zajęć: |
Ćwiczenia, 16 godzin
Wykład, 14 godzin
|
|
| Koordynatorzy: | (brak danych) | |
| Prowadzący grup: | (brak danych) | |
| Lista studentów: | (nie masz dostępu) | |
| Zaliczenie: |
Przedmiot -
Ocena
Wykład - Ocena |
|
| Skrócony opis: |
Zajęcia łączą elementy tradycyjnego wykładu z ćwiczeniami oraz prezentacje. Zajęcia prezentują pojęcia i wyniki teorii aproksymacji stosowane we współczesnych ekonomicznych I zarządczych analizach zachowań decydentów i kształtuja umiejetność ich wykorzystania w budowie analiz konkrektnych problemów.Druga część zajęć to prezentacje metod stosowanych w analizie dużych zbiorów danych z wykorzystaniem aplikacji komputurowych opracowanych do tego celu. |
|
| Pełny opis: |
Zapoznanie studentów z matematycznymi podstawami metod aproksymacji wykorzystywanych we współczesnej analizie danych, w tym danych nieustrukturyzowanych. Kształtowanie umiejętności stosowania tych metod i zdolności do zapoznawania z bardziej zaawansowanymi tekstami i technikami oraz pracy grupowej. |
|
| Literatura: |
Literatura podstawowa: Podręcznik: Analiza Matematyczna , K.Maurin, PWN, Podręcznik: Analiza matematyczna, W.Dubnicki, J.Kłopotowski, T.Szapiro, PWN , Podręcznik: Deep Learning, Ian Goodfellow and Yoshua Bengio and Aaron Courville, MIT Press, 2016 Literatura uzupełniająca: Artykuły merytoryczne |
|
| Uwagi: |
Kryteria oceniania: referaty/eseje: 50.00% ocena z ćwiczeń: 50.00% |
|
Zajęcia w cyklu "Semestr zimowy 2024/25" (zakończony)
| Okres: | 2024-10-01 - 2025-02-14 |
PN WT ŚR CZ PT |
| Typ zajęć: |
Ćwiczenia, 16 godzin
Wykład, 14 godzin
|
|
| Koordynatorzy: | (brak danych) | |
| Prowadzący grup: | (brak danych) | |
| Lista studentów: | (nie masz dostępu) | |
| Zaliczenie: |
Przedmiot -
Ocena
Wykład - Ocena |
|
| Skrócony opis: |
Zajęcia łączą elementy tradycyjnego wykładu z ćwiczeniami oraz prezentacje. Zajęcia prezentują pojęcia i wyniki teorii aproksymacji stosowane we współczesnych ekonomicznych I zarządczych analizach zachowań decydentów i kształtuja umiejetność ich wykorzystania w budowie analiz konkrektnych problemów.Druga część zajęć to prezentacje metod stosowanych w analizie dużych zbiorów danych z wykorzystaniem aplikacji komputurowych opracowanych do tego celu. |
|
| Pełny opis: |
Zapoznanie studentów z matematycznymi podstawami metod aproksymacji wykorzystywanych we współczesnej analizie danych, w tym danych nieustrukturyzowanych. Kształtowanie umiejętności stosowania tych metod i zdolności do zapoznawania z bardziej zaawansowanymi tekstami i technikami oraz pracy grupowej. |
|
| Literatura: |
Literatura podstawowa: Podręcznik: Analiza Matematyczna , K.Maurin, PWN, Podręcznik: Analiza matematyczna, W.Dubnicki, J.Kłopotowski, T.Szapiro, PWN , Podręcznik: Deep Learning, Ian Goodfellow and Yoshua Bengio and Aaron Courville, MIT Press, 2016 Literatura uzupełniająca: Artykuły merytoryczne |
|
| Uwagi: |
Kryteria oceniania: referaty/eseje: 50.00% ocena z ćwiczeń: 50.00% |
|
Zajęcia w cyklu "Semestr letni 2023/24" (zakończony)
| Okres: | 2024-02-24 - 2024-09-30 |
PN WT ŚR WYK
CW
CZ PT |
| Typ zajęć: |
Ćwiczenia, 16 godzin
Wykład, 14 godzin
|
|
| Koordynatorzy: | (brak danych) | |
| Prowadzący grup: | Bartosz Pankratz | |
| Lista studentów: | (nie masz dostępu) | |
| Zaliczenie: |
Przedmiot -
Ocena
Wykład - Ocena |
|
| Skrócony opis: |
Zajęcia łączą elementy tradycyjnego wykładu z ćwiczeniami oraz prezentacje. Zajęcia prezentują pojęcia i wyniki teorii aproksymacji stosowane we współczesnych ekonomicznych I zarządczych analizach zachowań decydentów i kształtuja umiejetność ich wykorzystania w budowie analiz konkrektnych problemów.Druga część zajęć to prezentacje metod stosowanych w analizie dużych zbiorów danych z wykorzystaniem aplikacji komputurowych opracowanych do tego celu. |
|
| Pełny opis: |
Zapoznanie studentów z matematycznymi podstawami metod aproksymacji wykorzystywanych we współczesnej analizie danych, w tym danych nieustrukturyzowanych. Kształtowanie umiejętności stosowania tych metod i zdolności do zapoznawania z bardziej zaawansowanymi tekstami i technikami oraz pracy grupowej. |
|
| Literatura: |
Literatura podstawowa: Podręcznik: Analiza Matematyczna , K.Maurin, PWN, Podręcznik: Analiza matematyczna, W.Dubnicki, J.Kłopotowski, T.Szapiro, PWN , Podręcznik: Deep Learning, Ian Goodfellow and Yoshua Bengio and Aaron Courville, MIT Press, 2016 Literatura uzupełniająca: Artykuły merytoryczne |
|
| Uwagi: |
Kryteria oceniania: referaty/eseje: 50.00% ocena z ćwiczeń: 50.00% |
|
Zajęcia w cyklu "Semestr zimowy 2023/24" (zakończony)
| Okres: | 2023-10-01 - 2024-02-23 |
PN WT ŚR WYK
CW
CZ PT |
| Typ zajęć: |
Ćwiczenia, 16 godzin
Wykład, 14 godzin
|
|
| Koordynatorzy: | (brak danych) | |
| Prowadzący grup: | Bartosz Pankratz | |
| Lista studentów: | (nie masz dostępu) | |
| Zaliczenie: |
Przedmiot -
Ocena
Wykład - Ocena |
|
| Skrócony opis: |
Zajęcia łączą elementy tradycyjnego wykładu z ćwiczeniami oraz prezentacje. Zajęcia prezentują pojęcia i wyniki teorii aproksymacji stosowane we współczesnych ekonomicznych I zarządczych analizach zachowań decydentów i kształtuja umiejetność ich wykorzystania w budowie analiz konkrektnych problemów.Druga część zajęć to prezentacje metod stosowanych w analizie dużych zbiorów danych z wykorzystaniem aplikacji komputurowych opracowanych do tego celu. |
|
| Pełny opis: |
Zapoznanie studentów z matematycznymi podstawami metod aproksymacji wykorzystywanych we współczesnej analizie danych, w tym danych nieustrukturyzowanych. Kształtowanie umiejętności stosowania tych metod i zdolności do zapoznawania z bardziej zaawansowanymi tekstami i technikami oraz pracy grupowej. |
|
| Literatura: |
Literatura podstawowa: Podręcznik: Analiza Matematyczna , K.Maurin, PWN, Podręcznik: Analiza matematyczna, W.Dubnicki, J.Kłopotowski, T.Szapiro, PWN , Podręcznik: Deep Learning, Ian Goodfellow and Yoshua Bengio and Aaron Courville, MIT Press, 2016 Literatura uzupełniająca: Artykuły merytoryczne |
|
| Uwagi: |
Kryteria oceniania: referaty/eseje: 50.00% ocena z ćwiczeń: 50.00% |
|
Właścicielem praw autorskich jest Szkoła Główna Handlowa w Warszawie.
