Module also offered within study programmes:
General information:
Name:
Multidimensional data analysis
Course of study:
2017/2018
Code:
HUX-1-301-s
Faculty of:
Humanities
Study level:
First-cycle studies
Specialty:
-
Field of study:
Social Informatics
Semester:
3
Profile of education:
Practical (P)
Lecture language:
Polish
Form and type of study:
Full-time studies
Course homepage:
 
Responsible teacher:
Ziółko Mariusz (ziolko@agh.edu.pl)
Academic teachers:
Ziółko Mariusz (ziolko@agh.edu.pl)
Module summary

Ćwiczenia laboratoryjne prezentują MATLAB jako narzędzie do komputerowej analizy danych. Przykładami są między innymi cyfrowe sygnały akustyczne i obrazy.

Description of learning outcomes for module
MLO code Student after module completion has the knowledge/ knows how to/is able to Connections with FLO Method of learning outcomes verification (form of completion)
Social competence
M_K001 Student potrafi komunikować efekty analizy danych w precyzyjny i przystępny sposób. UX1P_K03 Test
M_K002 Student posiada umiejętność krytycznej obserwacji świata społeczno-gospodarczego. UX1P_K05 Activity during classes,
Test,
Participation in a discussion
M_K003 Student potrafi argumentować racje wynikające z obserwacji danych UX1P_K06 Activity during classes,
Test,
Participation in a discussion
Skills
M_U001 Student potrafi zaplanować i przeprowadzić eksperyment statystyczny UX1P_U01 Test,
Execution of exercises
M_U002 Student potrafi formułować hipotezy dotyczące obserwowanych zjawisk w oparciu o analizowane dane oraz umie wyciągać prawdziwe wnioski. UX1P_U02 Test
M_U003 Student umie korzystać z podstawowych, komputerowych narzędzi do analizy danych UX1P_U05 Test,
Execution of exercises
Knowledge
M_W001 Student zna podstawowe metody statystycznego przetwarzania danych, ich zalety i ograniczenia UX1P_W01 Test
M_W002 Student zna obszary praktycznych zastosowań wielowymiarowej analizy danych UX1P_W09 Test
M_W003 Student zna kryteria wyboru metod analizy danych UX1P_W04 Test
FLO matrix in relation to forms of classes
MLO code Student after module completion has the knowledge/ knows how to/is able to Form of classes
Lecture
Audit. classes
Lab. classes
Project classes
Conv. seminar
Seminar classes
Pract. classes
Zaj. terenowe
Zaj. warsztatowe
Others
E-learning
Social competence
M_K001 Student potrafi komunikować efekty analizy danych w precyzyjny i przystępny sposób. - - + - - - - - - - -
M_K002 Student posiada umiejętność krytycznej obserwacji świata społeczno-gospodarczego. - - + - - - - - - - -
M_K003 Student potrafi argumentować racje wynikające z obserwacji danych - - + - - - - - - - -
Skills
M_U001 Student potrafi zaplanować i przeprowadzić eksperyment statystyczny - - + - - - - - - - -
M_U002 Student potrafi formułować hipotezy dotyczące obserwowanych zjawisk w oparciu o analizowane dane oraz umie wyciągać prawdziwe wnioski. - - + - - - - - - - -
M_U003 Student umie korzystać z podstawowych, komputerowych narzędzi do analizy danych - - + - - - - - - - -
Knowledge
M_W001 Student zna podstawowe metody statystycznego przetwarzania danych, ich zalety i ograniczenia - - + - - - - - - - -
M_W002 Student zna obszary praktycznych zastosowań wielowymiarowej analizy danych - - + - - - - - - - -
M_W003 Student zna kryteria wyboru metod analizy danych - - + - - - - - - - -
Module content
Laboratory classes:

1. Podstawowe zagadnienia teorii informacji i przetwarzania sygnałów
a. pojęcie entropii, pomiar ilości informacji, podstawy kompresji sygnałów
b. twierdzenie o próbkowaniu i jego konsekwencje
c. analiza częstotliwościowa, dyskretna transformacja Fouriera
d. filtracja sygnałów cyfrowych
e. dyskretna transformacja kosinusowa (DCT)
2. Podstawowe pojęcia statystyki, wielowymiarowe zmienne losowe, typy rozkładów gęstości prawdopodobieństwa
3. Regresja liniowa, korelacja i kowariancja – definicje i zastosowania
4. Testowanie hipotez statystycznych, analiza wariancji
a. formułowanie hipotez
b. rodzaje i dobór testów statystycznych
c. kryteria wiarygodności testu i przedziały ufności statystycznej
d. bootstraping i próbkowanie danych
5. Podstawowe metody redukcji wymiarowości i reprezentacji danych wielowymiarowych
6. Analiza składowych głównych, analiza dyskryminacyjna – definicje i przykłady zastosowań
7. Ekstrakcja cech z sygnałów oraz parametryzacja pomiarów
8. Podstawowe narzędzia informatyczne stosowane w przetwarzaniu i analizie danych

Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 100 h
Module ECTS credits 3 ECTS
Participation in laboratory classes 30 h
Contact hours 2 h
Realization of independently performed tasks 38 h
Preparation for classes 30 h
Additional information
Method of calculating the final grade:

Ocena wykonanych zadań w trakcie ćwiczeń laboratoryjnych, aktywność w trakcie zajęć, udział w dyskusji

Prerequisites and additional requirements:

• Podstawy algebry liniowej
• Znajomość podstaw probabilistyki i statystyki matematycznej

Recommended literature and teaching resources:

1. R. G. Lyons, „Wprowadzenie do cyfrowego przetwarzania sygnałów”, Wyd. 2, WKŁ 2010
2. Amir D. Aczel, „Statystyka w zarządzaniu”, Wydawnictwo Naukowe PWN, Warszawa 2000
3. B. Ziółko, M. Ziółko, „Przetwarzanie mowy”, Wydawnictwa AGH, Kraków 2011

Scientific publications of module course instructors related to the topic of the module:

1. B. Ziółko, M. Ziółko, „Przetwarzanie mowy”, Wydawnictwa AGH, Kraków 2011
2. M. ZIÓŁKO, P. Jaciów, M. IGRAS: Combination of Fourier and wavelet transformations for detection of speech emotions. 7th International Conference on Human System Interactions (HSI) — ISBN: 978-1-4799-4714-0 — S. 49–54.
3. B. ZIÓŁKO, W. Kozłowski, M. ZIÓŁKO, R. SAMBORSKI, D. Sierra, J. GAŁKA: Hybrid Wavelet-Fourier-HMM speaker recognition. International Journal of Hybrid Information Technology; ISSN 1738-9968 — 2011 vol. 4 no. 4, s. 25–41.
4. S. KACPRZAK, M. ZIÓŁKO, M. MĄSIOR, M. IGRAS, K. Ruszkiewicz: Statistical analysis of phonemic diversity in languages across the world. Proceedings of the XIX National Conference on Applications of Mathematics in Biology and Medicine — ISBN: 978-83-60253-86-1, S. 48–53.

Additional information:

None