Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Wprowadzenie do IBM SPSS Modeler
Tok studiów:
2019/2020
Kod:
GIKS-2-213-IS-n
Wydział:
Górnictwa i Geoinżynierii
Poziom studiów:
Studia II stopnia
Specjalność:
Instalacje Środowiskowe
Kierunek:
Inżynieria Kształtowania Środowiska
Semestr:
2
Profil:
Ogólnoakademicki (A)
Język wykładowy:
Polski
Forma studiów:
Niestacjonarne
Strona www:
 
Prowadzący moduł:
dr inż. Machniak Łukasz (machniak@agh.edu.pl)
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

Moduł wprowadza do jednego z bardziej zaawansowanych programów do eksploracji danych, tzw. data mining-u. Student zostaje przygotowany do wykonania analizy danych z wykorzystaniem podstawowych metod eksploracji w środowisku IBM SPSS Modeler.

Opis efektów uczenia się dla modułu zajęć
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Powiązania z KEU Sposób weryfikacji i oceny efektów uczenia się osiągniętych przez studenta w ramach poszczególnych form zajęć i dla całego modułu zajęć
Wiedza: zna i rozumie
M_W001 Student zna i rozumie działanie poszczególnych węzłów oferowanych przez system IBM SPSS Modeler IKS2A_W01 Wykonanie ćwiczeń laboratoryjnych,
Zaliczenie laboratorium
M_W002 Student dysponuje szczegółową wiedzą odnośnie możliwości zastosowania i konfigurowania węzłów oferowanych przez system IBM SPSS Modeler. IKS2A_W01 Wykonanie ćwiczeń laboratoryjnych,
Zaliczenie laboratorium
Umiejętności: potrafi
M_U001 Student potrafi przygotować całościowy proces eksploracji danych w IBM SPSS Modeler IKS2A_U05 Wykonanie ćwiczeń laboratoryjnych,
Zaliczenie laboratorium
M_U002 Student potrafi przeprowadzić samodzielnie analizy i zinterpretować wyniki IKS2A_U05 Wykonanie ćwiczeń laboratoryjnych,
Zaliczenie laboratorium
Kompetencje społeczne: jest gotów do
M_K001 Student orientuje się w możliwościach praktycznego zastosowania systemów do eksploracji danych IKS2A_K01, IKS2A_K03 Wykonanie ćwiczeń laboratoryjnych,
Zaliczenie laboratorium
Liczba godzin zajęć w ramach poszczególnych form zajęć:
SUMA (godz.)
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
18 0 0 18 0 0 0 0 0 0 0 0
Matryca kierunkowych efektów uczenia się w odniesieniu do form zajęć i sposobu zaliczenia, które pozwalają na ich uzyskanie
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Forma zajęć dydaktycznych
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
Wiedza
M_W001 Student zna i rozumie działanie poszczególnych węzłów oferowanych przez system IBM SPSS Modeler - - + - - - - - - - -
M_W002 Student dysponuje szczegółową wiedzą odnośnie możliwości zastosowania i konfigurowania węzłów oferowanych przez system IBM SPSS Modeler. - - + - - - - - - - -
Umiejętności
M_U001 Student potrafi przygotować całościowy proces eksploracji danych w IBM SPSS Modeler - - + - - - - - - - -
M_U002 Student potrafi przeprowadzić samodzielnie analizy i zinterpretować wyniki - - + - - - - - - - -
Kompetencje społeczne
M_K001 Student orientuje się w możliwościach praktycznego zastosowania systemów do eksploracji danych - - + - - - - - - - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 55 godz
Punkty ECTS za moduł 2 ECTS
Udział w zajęciach dydaktycznych/praktyka 18 godz
Przygotowanie do zajęć 25 godz
Samodzielne studiowanie tematyki zajęć 10 godz
Egzamin lub kolokwium zaliczeniowe 1 godz
Dodatkowe godziny kontaktowe 1 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Ćwiczenia laboratoryjne (18h):

1. Zagadnienia organizacyjne (wydanie danych logowania, regulamin laboratorium, program zajęć, wymagania, warunki zaliczenia).
2. Zarys eksploracji danych. Realizacja metodyki CRISP-DM.
3. Podstawowa funkcjonalność programu IBM SPSS Modeler. Zasady tworzenia strumienia danych.
4. Węzeł “źródła”. Węzeł “rekordy”. Węzeł “zmienne”.
5. Węzeł “audyt danych” (rozumienie danych, znajdowanie rozkładów danych).
6. Brakujące dane. Rozwiązania dla braków danych i przypadków odstających.
7. Integracja i eksploracja danych (ustalanie typów zmiennych, ustawianie roli dla zmiennych, filtrowanie zmiennych, analiza danych na wykresach, eksport danych).
8. Analiza RFM – behavioralna metoda segmentacji klientów.
9. Modelowanie – klasyfikacja.
10. Modelowanie – asocjacja.
11. Modelowanie – segmentacja.
12. Modelowanie – predykcja.
13. Prognozowanie (szeregi czasowe).
14. Odrabianie zajęć. Prasa samodzielna.
15. Kolokwium zaliczeniowe

Pozostałe informacje
Metody i techniki kształcenia:
  • Ćwiczenia laboratoryjne: Realizacja ćwiczeń na stanowiskach komputerowych z wykorzystaniem specjalistycznego oprogramowania
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Warunkiem zaliczenia laboratorium jest wykonanie na stanowisku komputerowych projektu weryfikującego zakładane efekty uczenia.

Zasady udziału w zajęciach:
  • Ćwiczenia laboratoryjne:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Studenci wykonują ćwiczenia mające na celu uzyskanie kompetencji zakładanych przez syllabus
Sposób obliczania oceny końcowej:

Ocena z kolokwium zaliczeniowego.

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

Nieobecności na zajęciach laboratoryjnych student może uzupełnić z inną grupą laboratoryjną realizującą ten sam temat lub po ustaleniu z prowadzącym warunków i zakresu do nadrobienia. Wymagane są obecności na wszystkich ćwiczeniach laboratoryjnych.

Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :

Nie podano wymagań wstępnych lub dodatkowych.

Zalecana literatura i pomoce naukowe:

1. Han J., Kamber M., Pei J. Data mining: concepts and techniques, Morgan Kaufmann, 2011.
2. Morzy T. Eksploracja danych. Metody i algorytmy”, PWN, 2013.
3. Larose D. T. Odkrywanie wiedzy z danych. Wprowadzenie do eksploracji danych, PWN, 2006.
4, Larose D.T. Metody i modele eksploracji danych, PWN, 2008.

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

Nie podano dodatkowych publikacji

Informacje dodatkowe:

Brak