Moduł oferowany także w ramach programów studiów:
Kod Program studiów
GIKS-2-305-IS-s Inżynieria Kształtowania Środowiska (Instalacje Środowiskowe) - stacjonarne studia II stopnia
GIPZ-2-306-ZB-s Inżynieria i Zarządzanie Procesami Przemysłowymi (Zarządzanie bezpieczeństwem i higieną pracy) - stacjonarne studia II stopnia
GIPZ-2-306-CP-s Inżynieria i Zarządzanie Procesami Przemysłowymi (Controlling procesów produkcyjnych) - stacjonarne studia II stopnia
GIPZ-2-307-LM-s Inżynieria i Zarządzanie Procesami Przemysłowymi (Lean Manufacturing) - stacjonarne studia II stopnia
GIPZ-2-307-ZS-s Inżynieria i Zarządzanie Procesami Przemysłowymi (Zarządzanie w inżynierii środowiska) - stacjonarne studia II stopnia
GIGR-2-307-GP-s Inżynieria Górnicza (Górnictwo podziemne) - stacjonarne studia II stopnia
GBUD-2-328-RM-s Budownictwo (Renowacja i modernizacja obiektów budowlanych) - stacjonarne studia II stopnia
GBUD-2-328-KB-s Budownictwo (Konstrukcje budowlane i inżynierskie) - stacjonarne studia II stopnia
GIKS-2-307-WK-s Inżynieria Kształtowania Środowiska (Wentylacja i klimatyzacja przemysłowa) - stacjonarne studia II stopnia
GIPZ-2-315-ZP-s Inżynieria i Zarządzanie Procesami Przemysłowymi (Zarządzanie przedsiębiorstwem przemysłowym) - stacjonarne studia II stopnia
GBUD-2-328-IP-s Budownictwo (Inżynieria przedsięwzięć budowlanych) - stacjonarne studia II stopnia
GIGR-2-312-PS-s Inżynieria Górnicza (Przeróbka surowców mineralnych) - stacjonarne studia II stopnia
GIGR-2-304-GO-s Inżynieria Górnicza (Górnictwo odkrywkowe) - stacjonarne studia II stopnia
GBUD-2-328-GT-s Budownictwo (Geotechnika i budownictwo specjalne) - stacjonarne studia II stopnia
GRTZ-2-312-s Rewitalizacja Terenów Zdegradowanych - stacjonarne studia II stopnia
GIGR-2-313-GB-s Inżynieria Górnicza (Geomechanika górnicza i budownictwo podziemne) - stacjonarne studia II stopnia
Informacje ogólne:
Nazwa:
Principles of Data and Process Mining
Tok studiów:
2019/2020
Kod:
GBUD-2-328-IP-s
Wydział:
Górnictwa i Geoinżynierii
Poziom studiów:
Studia II stopnia
Specjalność:
Inżynieria przedsięwzięć budowlanych
Kierunek:
Budownictwo
Semestr:
3
Profil:
Ogólnoakademicki (A)
Język wykładowy:
Angielski
Forma studiów:
Stacjonarne
Strona www:
 
Prowadzący moduł:
prof. nadzw. dr hab. inż. Brzychczy Edyta (brzych3@agh.edu.pl)
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

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

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 knows principles of knowledge discovery process in enterprise. BUD2A_W01, BUD2A_W04 Aktywność na zajęciach
M_W002 Student knows selected methods of Data Mining and Machine Learning. BUD2A_W01, BUD2A_W04 Zaliczenie laboratorium,
Aktywność na zajęciach
M_W003 Student knows selected issues related to process mining methods. BUD2A_W01, BUD2A_W04 Zaliczenie laboratorium,
Aktywność na zajęciach
Umiejętności: potrafi
M_U001 Student can perform data mining analysis. BUD2A_U05, BUD2A_U03 Zaliczenie laboratorium
M_U002 Student can perform process mining analysis. BUD2A_U05, BUD2A_U03 Zaliczenie laboratorium
Kompetencje społeczne: jest gotów do
M_K001 Student can perform data or process analysis in project group. BUD2A_K02 Aktywność na zajęciach
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 15 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 knows principles of knowledge discovery process in enterprise. + - - - - - - - - - -
M_W002 Student knows selected methods of Data Mining and Machine Learning. + - - - - - - - - - -
M_W003 Student knows selected issues related to process mining methods. + - - - - - - - - - -
Umiejętności
M_U001 Student can perform data mining analysis. - - + - - - - - - - -
M_U002 Student can perform process mining analysis. - - + - - - - - - - -
Kompetencje społeczne
M_K001 Student can perform data or process analysis in project group. - - + - - - - - - - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 78 godz
Punkty ECTS za moduł 3 ECTS
Udział w zajęciach dydaktycznych/praktyka 30 godz
Przygotowanie do zajęć 30 godz
Samodzielne studiowanie tematyki zajęć 15 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):

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

Ćwiczenia laboratoryjne (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 from event logs
5. Conformance checking and enhancement of the process
6. Additional process perspectives analysis

Pozostałe informacje
Metody i techniki kształcenia:
  • Wykład: Treści prezentowane na wykładzie są przekazywane w formie prezentacji multimedialnej w połączeniu z klasycznym wykładem tablicowym wzbogaconymi o pokazy odnoszące się do prezentowanych zagadnień.
  • Ćwiczenia laboratoryjne: 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.

Zasady udziału w zajęciach:
  • Wykład:
    – Obecność obowiązkowa: Nie
    – Zasady udziału w zajęciach: 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.
  • Ćwiczenia laboratoryjne:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Studenci wykonują ćwiczenia laboratoryjne zgodnie z materiałami udostępnionymi przez prowadzącego. Student jest zobowiązany do przygotowania się w przedmiocie wykonywanego ćwiczenia.
Sposób obliczania oceny końcowej:

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.

Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :

Basic statistical background is needed.

Zalecana literatura i pomoce naukowe:

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

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

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

Informacje dodatkowe:

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