Module also offered within study programmes:
General information:
Name:
Analysis and Visualization of Event Data
Course of study:
2019/2020
Code:
HKLT-1-532-s
Faculty of:
Humanities
Study level:
First-cycle studies
Specialty:
-
Field of study:
Cultural Studies
Semester:
5
Profile of education:
Academic (A)
Lecture language:
English
Form and type of study:
Full-time studies
Course homepage:
 
Responsible teacher:
dr Małecka Anna (amm@agh.edu.pl)
Module summary

Knowledge and skills of data processing and analysis.

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 correctly identifies and resolves dilemmas related to big data analysis KLT1A_K03, KLT1A_K05 Activity during classes
Skills: he can
M_U001 knows how to use specific data mining methods KLT1A_U22 Test
M_U002 uses new methods in the R language to perform deep data analysis in the media KLT1A_U22 Execution of laboratory classes
M_U003 is able to obtain additional information from the data using scientific approach KLT1A_U22 Execution of laboratory classes
Knowledge: he knows and understands
M_W001 has knowledge in data mining analysis, characterizing basics of data processing, describing the data exploration KLT1A_W24 Test
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 0 0 30 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 correctly identifies and resolves dilemmas related to big data analysis - - + - - - - - - - -
Skills
M_U001 knows how to use specific data mining methods - - + - - - - - - - -
M_U002 uses new methods in the R language to perform deep data analysis in the media - - + - - - - - - - -
M_U003 is able to obtain additional information from the data using scientific approach - - + - - - - - - - -
Knowledge
M_W001 has knowledge in data mining analysis, characterizing basics of data processing, describing the data exploration - - + - - - - - - - -
Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 100 h
Module ECTS credits 4 ECTS
Udział w zajęciach dydaktycznych/praktyka 30 h
Preparation for classes 33 h
Realization of independently performed tasks 32 h
Contact hours 5 h
Module content
Laboratory classes (30h):

1 part
1. Introduction to data visualization. An overview of visualization types and visualization processes. Stages of visualizing event data (2 hrs.)
2. The Base Graphics system in R. Univariate and multivariate plots. Customizing graphs and saving them in various formats (3 hrs.)
3. The Lattice Graphics in R. Exploring multivariate event data with trellis graphs (2 hrs.)
4. A comprehensive system for graph development with the ggplot2 in R (2 hrs.)
5. Event data and Interactive Graphics in R (2 hrs.)
6. Event data and Google Chart Tools in R (2 hrs.)
7. Case Study: Visualizing Catergorical Data (3 hrs.)
2nd part (based on examples of the event data visualization)
1. Introduction to R as a statistical programming language. R installation (3 hrs.)
2. The Base Graphics system in R. Univariate and multivariate plots. Customizing graphs and saving them in various formats (3 hrs.)
3. The Lattice Graphics in R. Exploring multivariate event data with trellis graphs (2 hrs.)
4. A comprehensive system for graph development with the ggplot2 in R (2 hrs.)
5. Event data and Interactive Graphics in R (2 hrs.)
6. Event data and Google Chart Tools in R (2 hrs.)
7. Case Study: Visualizing Catergorical Data (3 hrs.)

Additional information
Teaching methods and techniques:
  • 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:

Presence (only one class can be missed).and active participation in class discussions, development of assignments.

To be admitted to sit the exam, the students are required to participate actively in class discussions.

The student can take two resits.

Participation rules in classes:
  • 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:

Subject requirements:
– knowledge of the subject-related basics (statistics and related methods),
– PC user knowledge,
– no more than 15 persons per group,
– Internet access is required.

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

If a student misses more than one lecture (which must be confirmed by a medical certificate), they have to develop assignments for the missed class and discuss them during the lecturer’s duty hours.

Prerequisites and additional requirements:

Recommended literature and teaching resources:

Recommended reading
1. Crawley Michael J. The R Book, John Wiley & Sons Ltd 2007
2. Ledolter Johannes Data mining and business analytics with R, University of Iowa, Wiley 2013
3. Maindonald John, Braun W. John Data Analysis and Graphics. Using R – an Example-Based Approach, Cambridge University Press 2003
4. Pang-Ning Tan, Michael Steinbach, Vipin Kumar, Introduction to Data Mining, Pearson 2005
5. Paradis Emmanuel R for Beginners, Institut des Sciences de l' Evolution 2005
6. Przemysław Biecek, Przewodnik po pakiecie, Oficyna Wydawnicza 2008
7. Statystyczna analiza danych z wykorzystaniem programu R, pod red. nauk. M.Walesiaka, E.Gatnara, Wydawnictwo Naukowe PWN, Warszawa 2013
8. Torgo Luis Data Mining with R: learning with case studies, LIACC-FEP, University of Porto 2003
9. Yanchang Zhao R and Data Mining: Examples and Case Studies, Elsevier 2012
Additional literature
10. Adler Joseph R in a Nutshell, O’Reilly 2010
11. Coghlan Avril A Little Book of R For Multivariate Analysis, https://github.com/avrilcoghlan/LittleBookofRMultivariateAnalysis/raw/master/_build/latex/MultivariateAnalysis.pdf
12. Gatnar E. Podejście wielomodelowe w zagadnieniach dyskryminacji i regresji, PWN, Warszawa 2008
13. Kabacoff Robert I. R in Action. Data analysis and graphics with R, Manning Publications Co 2011 (Кабаков Роберт И. R в действии. Анализ и визуализация данных в программе R, ДМК Пресс, Москва 2014)
14. Larose D.T. Metody i modele eksploracji danych, PWN, Warszawa 2008
15. Pałka Dariusz, Zaskórski Piotr, Data mining w procesach decyzyjnych, Zeszyty Naukowe Warszawskiej Wyższej Szkoły Informatyki, nr 7, Warszawa 2012, s. 143-161
16. Stanisz A. Przystępny kurs statystyki. t III Analizy wielowymiarowe, StatSoft, Kraków 2005
17. StatSoft: Internetowy Podręcznik Statystyki. Techniki zgłębiania danych (data mining), http://www.statsoft.pl/textbook/glosfra.html
18. Venables W. N., Smith D. M. and the R Core Team An Introduction to R. A Programming Environment for Data Analysis and Graphics, 2015
19. Vries Andrie de, Meys Joris R For Dummies, John Wiley & Sons, Ltd 2012

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

1. Yuskiv Bogdan. Skomputeryzowana analiza treści: monografia / Project “Internetowa Promocja Nauki”; Unia Europejska, Europejski Fundusz Społeczny. – Rzeszow: Uniwersytet Rzeszowski, 2011. – 41 s.
2. Yuskiv B. Wsparcie informacyjne transgranicznej współpracy w ramach Euroregionu Bug // Bohdan Yuskiv / Na pograniczach. Szanse i zagrożenia społeczne / Red. naukowa P.Frączek, J.Karolczuk. – Sanok: Państwowa Wyższa Szkoła Zawodowa, 2015. – S.115-128.
3. Yuskiv B. Polski model świata w ukraińskiej przestrzeni medialnejWsparcie informacyjne transgranicznej współpracy w ramach Euroregionu Bug // Bohdan Yuskiv / Na pograniczach. W kręgu historii, sztuki i mediów / Red. naukowa A.Chudzik, R.Lipelt. – Sanok: Państwowa Wyższa Szkoła Zawodowa, 2016. – 274 s. – 171-191.
4. Yuskiv B. Ukraińsko-rosyjski konflikt na wschodzie Ukrainy a propaganda w mediach rosyjskich / Bohdan Yuskiv, Sergii Khomych // Na pograniczach. Kultura – literature – media / Red. naukowa A.Chudzik, R.Lipelt. – Sanok: Państwowa Wyższa Szkoła Zawodowa, 2017. – S.173-191.
5. Yuskiv B. Kryzys migracyjnyw Europie. Analiza zjawiska w mediach publicznych / Bohdan Yuskiv // Na pograniczach. Kultura – literature – media / Red. naukowa A.Chudzik, R.Lipelt. – Sanok: Państwowa Wyższa Szkoła Zawodowa, 2017. – S.193-215.

Additional information:

PROGRAMS / SUBJECT TOOLS:
− R
− RStudio
− R packages
Subject results:
– students will get knowledge in data visualization and analysis, characterizing basics of visualization processing, describing the visualizing event data,
– students will use new methods in the R language to perform deep data analysis and visualization of event,
– students will be able to obtain additional information from the data using scientific approach.