Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Data mining and machine learning in civil engineering problems
Tok studiów:
2019/2020
Kod:
GBUD-2-301-GT-s
Wydział:
Górnictwa i Geoinżynierii
Poziom studiów:
Studia II stopnia
Specjalność:
Geotechnika i budownictwo specjalne
Kierunek:
Budownictwo
Semestr:
3
Profil:
Ogólnoakademicki (A)
Język wykładowy:
Polski
Forma studiów:
Stacjonarne
Strona www:
 
Prowadzący moduł:
dr hab. inż, prof. AGH Rusek Janusz (rusek@agh.edu.pl)
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

Problems of classification and regression as well as dimensionality reduction in data sets on building objects and operational impacts using Data-Mining and Machine Learning methods.

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 - formulation of the objective function used in the process of learning artificial neural networks (ANN) and related systems, - regularization and stabilizing methods of the learning process, - methods of gradient optimization and derivative-free optimization on the example of Pattern Search and genetic algorithms and related methods (PSO etc.), - construction of the objective function for the Support Vector Machine (SVM) method in the classification and regression problem, - methods for assessing the effectiveness of learning in terms of generalization. BUD2A_W01, BUD2A_W04 Kolokwium
M_W002 - methods for assessing the quality of data for further processing, - Data-Mining methods used to reduce the dimensionality of data and extract important features (feature selection), - methods of preliminary analysis of the linear relationship between variables. Basic concepts from the area of classification and regression models. BUD2A_W02, BUD2A_W04 Kolokwium
Umiejętności: potrafi
M_U001 - create regression and classification models based on available data using the Python programming environment and the Matlab platform, - use models for individual simulation purposes and integration with other parts of the code, - assess the significance of the impact of individual input variables on the final neural network or SVM system. BUD2A_W01, BUD2A_K04, BUD2A_U03 Projekt
M_U002 - form classification and regression problems based on data, - separate the training, validation and test set for artificial neural network and SVM models, - write optimization algorithms used to build neural networks. Kolokwium
Kompetencje społeczne: jest gotów do
M_K001 work in a team while doing design exercises and exchange information. BUD2A_K01, BUD2A_K04, BUD2A_U04 Projekt
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
30 15 0 0 15 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 - formulation of the objective function used in the process of learning artificial neural networks (ANN) and related systems, - regularization and stabilizing methods of the learning process, - methods of gradient optimization and derivative-free optimization on the example of Pattern Search and genetic algorithms and related methods (PSO etc.), - construction of the objective function for the Support Vector Machine (SVM) method in the classification and regression problem, - methods for assessing the effectiveness of learning in terms of generalization. + - - + - - - - - - -
M_W002 - methods for assessing the quality of data for further processing, - Data-Mining methods used to reduce the dimensionality of data and extract important features (feature selection), - methods of preliminary analysis of the linear relationship between variables. Basic concepts from the area of classification and regression models. + - - + - - - - - - -
Umiejętności
M_U001 - create regression and classification models based on available data using the Python programming environment and the Matlab platform, - use models for individual simulation purposes and integration with other parts of the code, - assess the significance of the impact of individual input variables on the final neural network or SVM system. - - - + - - - - - - -
M_U002 - form classification and regression problems based on data, - separate the training, validation and test set for artificial neural network and SVM models, - write optimization algorithms used to build neural networks. - - - + - - - - - - -
Kompetencje społeczne
M_K001 work in a team while doing design exercises and exchange information. - - - + - - - - - - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 75 godz
Punkty ECTS za moduł 3 ECTS
Udział w zajęciach dydaktycznych/praktyka 30 godz
Przygotowanie do zajęć 2 godz
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 10 godz
Samodzielne studiowanie tematyki zajęć 30 godz
Egzamin lub kolokwium zaliczeniowe 2 godz
Dodatkowe godziny kontaktowe 1 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Wykład (15h):

The course will discuss methods in the field of Data Mining and Machine Learning. The mathematical foundations of these methods and examples of their application will be presented. The problems of classification and regression in a linear and nonlinear approach will be discussed. The methods of reducing the size of the data originally collected will be presented. Examples will be presented of the use of these methods in the area of information about civil engineering construction objects.

Ćwiczenia projektowe (15h):

Execution of design exercises within which, for an available set of data on the technical characteristics of construction objects and operational impacts, classification and regression problems will be formulated. Methods of artificial neural networks and the SVM method will be used for this. Finished models will be tested for correctness and generalization. Different optimization methods for teaching artificial neural networks will be tested. The SVM method will analyze the selection of parameters resulting from the original form of the objective function.

Pozostałe informacje
Metody i techniki kształcenia:
  • Wykład: Classes conducted with the use of multimedia presentation tools.
  • Ćwiczenia projektowe: Classes conducted with the use of multimedia presentation tools and collective work in specific programming environments in the classroom - the need to take classes in the computer room.
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

attendance at classes: obligatory (2 unjustified absences)
attendance at lectures: indicated (optional)

Zasady udziału w zajęciach:
  • Wykład:
    – Obecność obowiązkowa: Nie
    – Zasady udziału w zajęciach: Not specified because lectures are not mandatory
  • Ćwiczenia projektowe:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Presence and active participation in the performance of individual programming parties included in the syllabus content
Sposób obliczania oceny końcowej:

Degree of the test (lecture) X 0.5 + Degree of the project X 0.25 + Degree of the test (classes) X 0.25

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

in the student’s own scope

Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :

- basic knowledge of mathematical analysis, algebra and probabilistics,
- ability to act on vectors and matrices.

Zalecana literatura i pomoce naukowe:

OSOWSKI, Stanisław. Metody i narzędzia eksploracji danych. Legionowo: Wydawnictwo BTC, 2013.
OSOWSKI, S. Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Pol. Warszawskiej, Warszawa, 2006.
ŁĘSKI, Jacek. Systemy neuronowo-rozmyte. Wydawnictwa Naukowo-Techniczne, 2008.
CICHOSZ, Paweł. Systemy uczące się. Wydawnictwa Naukowo-Techniczne, 2000.

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

RUSEK, Janusz. Modelowanie stopnia zużycia technicznego budynków na terenach górniczych z
wykorzystaniem wybranych metod sztucznej inteligencji. Wydawnictwa AGH, 2013.
RUSEK, Janusz. Creating a model of technical wear of building in mining area, with utilization of
regressive SVM approach. Archives of Mining Sciences, 2009, 54.3: 455–466.
FIREK, K.; RUSEK, Janusz; WODYŃSKI, Aleksander. Wybrane metody eksploracji danych i uczenia
maszynowego w analizie stanu uszkodzeń oraz zużycia technicznego zabudowy terenów górniczych.
Przegląd Górniczy, 2016, 72.1: 50—55.

Informacje dodatkowe:

-