Module also offered within study programmes:
Code Study programme
GIKS-2-305-IS-s Environmental Engineering (Environmental Installations) - full-time studies second-cycle studies
GIPZ-2-306-ZB-s - (Management of Occupational Health and Safety) - full-time studies second-cycle studies
GIPZ-2-306-CP-s - (Controlling of production processes) - full-time studies second-cycle studies
GIPZ-2-307-LM-s - (Lean Manufacturing) - full-time studies second-cycle studies
GIPZ-2-307-ZS-s - (Management in environmental engineering) - full-time studies second-cycle studies
GIGR-2-307-GP-s Mining Engineering (Underground mining) - full-time studies second-cycle studies
GBUD-2-328-RM-s Civil Engineering (Rrenovation and modernization of buildings) - full-time studies second-cycle studies
GBUD-2-328-KB-s Civil Engineering (Civil engineering constructions) - full-time studies second-cycle studies
GIKS-2-307-WK-s Environmental Engineering (Industrial ventillation and air-conditioning) - full-time studies second-cycle studies
GIPZ-2-315-ZP-s - (Management of industrial enterprise) - full-time studies second-cycle studies
GBUD-2-328-IP-s Civil Engineering (Engineering of construction projects) - full-time studies second-cycle studies
GIGR-2-312-PS-s Mining Engineering (Mineral processing) - full-time studies second-cycle studies
GIGR-2-304-GO-s Mining Engineering (Open pit mining) - full-time studies second-cycle studies
GBUD-2-328-GT-s Civil Engineering (Geotechnics and special civil engineering) - full-time studies second-cycle studies
GRTZ-2-312-s Rewitalizacja Terenów Zdegradowanych - full-time studies second-cycle studies
GIGR-2-313-GB-s Mining Engineering (Mining geomechanics and underground construction) - full-time studies second-cycle studies
General information:
Name:
Principles of Data and Process Mining
Course of study:
2019/2020
Code:
GIGR-2-307-GP-s
Faculty of:
Mining and Geoengineering
Study level:
Second-cycle studies
Specialty:
Underground mining
Field of study:
Mining Engineering
Semester:
3
Profile of education:
Academic (A)
Lecture language:
English
Form and type of study:
Full-time studies
Course homepage:
 
Responsible teacher:
prof. nadzw. dr hab. inż. Brzychczy Edyta (brzych3@agh.edu.pl)
Module summary

Main issues covered by lectures are related to data mining and process mining techniques as well as tools used in advanced analytics.

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: is able to
M_K001 Student can perform data or process analysis in project group. IGR2A_K01, IGR2A_K03 Activity during classes
Skills: he can
M_U001 Student can perform data mining analysis. IGR2A_U04, IGR2A_U01 Completion of laboratory classes
M_U002 Student can perform process mining analysis. IGR2A_U04, IGR2A_U01 Completion of laboratory classes
Knowledge: he knows and understands
M_W001 Student knows principles of knowledge discovery process in enterprise. IGR2A_W03 Activity during classes
M_W002 Students knows selected methods of Data Mining and Machine Learning. IGR2A_W03 Completion of laboratory classes,
Activity during classes
M_W003 Students knows selected issues related to process mining methods. IGR2A_W03 Completion of laboratory classes,
Activity during classes
Number of hours for each form of classes:
Sum (hours)
Lecture
Audit. classes
Lab. classes
Project classes
Conv. seminar
Seminar classes
Pract. classes
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
30 15 0 15 0 0 0 0 0 0 0 0
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
Prace kontr. przejść.
Lektorat
Social competence
M_K001 Student can perform data or process analysis in project group. - - + - - - - - - - -
Skills
M_U001 Student can perform data mining analysis. - - + - - - - - - - -
M_U002 Student can perform process mining analysis. - - + - - - - - - - -
Knowledge
M_W001 Student knows principles of knowledge discovery process in enterprise. + - - - - - - - - - -
M_W002 Students knows selected methods of Data Mining and Machine Learning. + - - - - - - - - - -
M_W003 Students knows selected issues related to process mining methods. + - - - - - - - - - -
Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 78 h
Module ECTS credits 3 ECTS
Udział w zajęciach dydaktycznych/praktyka 30 h
Preparation for classes 30 h
Realization of independently performed tasks 15 h
Examination or Final test 2 h
Contact hours 1 h
Module content
Lectures (15h):

1. Knowledge Discovery Process in Databases
2. Exploratory tasks in Data Mining
3. Selected method of Data Mining: cluster analysis, decision trees, association rules
4. Introduction to Process Mining
5. Process discovery methods
6. Conformance checking and enhancement of the process
7. Mining of additional process perspectives

Laboratory classes (15h):

1. Introduction to STATISTICA software and exploratory data analysis
2. Cluster analysis, decision trees, association rules
3. Introduction to ProM software
4. Process discovery in event logs
5. Conformance checking and enhancement of the process
6. Additional process perspectives analysis

Additional information
Teaching methods and techniques:
  • Lectures: Treści prezentowane na wykładzie są przekazywane w formie prezentacji multimedialnej w połączeniu z klasycznym wykładem tablicowym wzbogaconymi o pokazy odnoszące się do prezentowanych zagadnień.
  • Laboratory classes: W trakcie zajęć laboratoryjnych studenci samodzielnie rozwiązują zadany problem praktyczny, dobierając odpowiednie narzędzia. Prowadzący stymuluje grupę do refleksji nad problemem, tak by otrzymane wyniki miały wysoką wartość merytoryczną.
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

The final grade is based on the test and the grade from laboratory classes.
2 attempts for each element are given.

Participation rules in classes:
  • Lectures:
    – Attendance is mandatory: No
    – Participation rules in classes: Studenci uczestniczą w zajęciach poznając kolejne treści nauczania zgodnie z syllabusem przedmiotu. Studenci winni na bieżąco zadawać pytania i wyjaśniać wątpliwości. Rejestracja audiowizualna wykładu wymaga zgody prowadzącego.
  • Laboratory classes:
    – Attendance is mandatory: Yes
    – Participation rules in classes: Studenci wykonują ćwiczenia laboratoryjne zgodnie z materiałami udostępnionymi przez prowadzącego. Student jest zobowiązany do przygotowania się w przedmiocie wykonywanego ćwiczenia, co może zostać zweryfikowane kolokwium w formie ustnej lub pisemnej. Zaliczenie zajęć odbywa się na podstawie zaprezentowania rozwiązania postawionego problemu. Zaliczenie modułu jest możliwe po zaliczeniu wszystkich zajęć laboratoryjnych.
Method of calculating the final grade:

The final grade is based on the test and the laboratory classes (both positive grades) and is calculated according to the algorithm: OK = 0.5 * T+ 0.5 * L
where: T– test grade, L – laboratory grade

Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach:

Laboratory classes need to be completed with other group.
Additional presentation can be required on a given topic.

Prerequisites and additional requirements:

Basic statistical background is needed.

Recommended literature and teaching resources:

Larose T.D., 2006: Odkrywanie wiedzy z danych. Wyd. Naukowe PWN, Warszawa
Hand D., Mannila H., .Smyth P., 2002: Principles of Data Mining, MIT press
Van der Aalst W., 2016: Process Mining Data Science in Action, 2nd edition, Springer

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

Brzychczy E., 2007: Budowa modeli ekonometrycznych wybranych parametrów techniczno-ekonomicznych kopalni węgla kamiennego. Wiadomości Górnicze, 11
Brzychczy E., 2008: Analiza wykorzystania kombajnów chodnikowych w przodkach korytarzowych w kopalniach węgla kamiennego z zastosowaniem drzew decyzyjnych. Zarządzanie: doświadczenia i problemy. Red. W. Sitko. Wyd. System-Graf, Lublin
Brzychczy E., Stefaniak R., Maroszek Z., Siodłak Ł., 2010: Wykorzystanie wybranych technik Data Mining do analizy kompleksów ścianowych w KWK “Ziemowit”. Miesięcznik WUG Bezpieczeństwo i Ochrona Pracy w Górnictwie, nr 1
Brzychczy E., 2009: Techniki eksploracji danych w zagadnieniach eksploatacji górniczej złóż węgla kamiennego. Kwartalnik AGH, Górnictwo i Geoinżynieria, nr 3
Brzychczy E., 2009: Analiza wyposażenia przodków ścianowych na podstawie reguł asocjacyjnych. Wiadomości Górnicze, R.60, nr 3
Trzcionkowska A., Brzychczy E., 2016: Wykorzystanie reguł asocjacyjnych do analizy pracy wybranego urządzenia w oddziale wydobywczym. Inżynieria Mineralna, R. 17, nr 2
Trzcionkowska A., Brzychczy E., 2016: Wykorzystanie reguł asocjacyjnych do analizy pracy wybranego urządzenia w oddziale wydobywczym. Inżynieria Mineralna, R. 17, nr 2

Additional information:

Written test – 5 questions (2 attempts).
Laboratory grade is based on realisation of individual data or process mining task.