Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Wielowymiarowa analiza danych
Tok studiów:
2019/2020
Kod:
HIFS-1-301-s
Wydział:
Humanistyczny
Poziom studiów:
Studia I stopnia
Specjalność:
-
Kierunek:
Informatyka Społeczna
Semestr:
3
Profil:
Praktyczny (P)
Język wykładowy:
Polski
Forma studiów:
Stacjonarne
Strona www:
 
Prowadzący moduł:
Ziółko Mariusz (ziolko@agh.edu.pl)
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

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 podstawowe metody statystycznego przetwarzania danych, ich zalety i ograniczenia IFS1P_W01 Kolokwium
M_W002 Student zna obszary praktycznych zastosowań wielowymiarowej analizy danych IFS1P_W09 Kolokwium
M_W003 Student zna kryteria wyboru metod analizy danych IFS1P_W04 Kolokwium
Umiejętności: potrafi
M_U001 Student potrafi zaplanować i przeprowadzić eksperyment statystyczny IFS1P_U01 Wykonanie ćwiczeń,
Kolokwium
M_U002 Student potrafi formułować hipotezy dotyczące obserwowanych zjawisk w oparciu o analizowane dane oraz umie wyciągać prawdziwe wnioski. IFS1P_U02 Kolokwium
M_U003 Student umie korzystać z podstawowych, komputerowych narzędzi do analizy danych IFS1P_U05 Wykonanie ćwiczeń,
Kolokwium
Kompetencje społeczne: jest gotów do
M_K001 Student potrafi komunikować efekty analizy danych w precyzyjny i przystępny sposób. IFS1P_K02 Kolokwium
M_K002 Student posiada umiejętność krytycznej obserwacji świata społeczno-gospodarczego. IFS1P_K04 Udział w dyskusji,
Kolokwium,
Aktywność na zajęciach
M_K003 Student potrafi argumentować racje wynikające z obserwacji danych IFS1P_K05 Udział w dyskusji,
Kolokwium,
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 0 0 30 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 podstawowe metody statystycznego przetwarzania danych, ich zalety i ograniczenia - - + - - - - - - - -
M_W002 Student zna obszary praktycznych zastosowań wielowymiarowej analizy danych - - + - - - - - - - -
M_W003 Student zna kryteria wyboru metod analizy danych - - + - - - - - - - -
Umiejętności
M_U001 Student potrafi zaplanować i przeprowadzić eksperyment statystyczny - - + - - - - - - - -
M_U002 Student potrafi formułować hipotezy dotyczące obserwowanych zjawisk w oparciu o analizowane dane oraz umie wyciągać prawdziwe wnioski. - - + - - - - - - - -
M_U003 Student umie korzystać z podstawowych, komputerowych narzędzi do analizy danych - - + - - - - - - - -
Kompetencje społeczne
M_K001 Student potrafi komunikować efekty analizy danych w precyzyjny i przystępny sposób. - - + - - - - - - - -
M_K002 Student posiada umiejętność krytycznej obserwacji świata społeczno-gospodarczego. - - + - - - - - - - -
M_K003 Student potrafi argumentować racje wynikające z obserwacji danych - - + - - - - - - - -
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 21 godz
Samodzielne studiowanie tematyki zajęć 17 godz
Egzamin lub kolokwium zaliczeniowe 2 godz
Dodatkowe godziny kontaktowe 5 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Ćwiczenia laboratoryjne (30h):

1. Podstawowe zagadnienia teorii informacji i przetwarzania sygnałów
a. pojęcie entropii, pomiar ilości informacji, podstawy kompresji sygnałów
b. twierdzenie o próbkowaniu i jego konsekwencje
c. analiza częstotliwościowa, dyskretna transformacja Fouriera
d. filtracja sygnałów cyfrowych
e. dyskretna transformacja kosinusowa (DCT)
2. Podstawowe pojęcia statystyki, wielowymiarowe zmienne losowe, typy rozkładów gęstości prawdopodobieństwa
3. Regresja liniowa, korelacja i kowariancja – definicje i zastosowania
4. Testowanie hipotez statystycznych, analiza wariancji
a. formułowanie hipotez
b. rodzaje i dobór testów statystycznych
c. kryteria wiarygodności testu i przedziały ufności statystycznej
d. bootstraping i próbkowanie danych
5. Podstawowe metody redukcji wymiarowości i reprezentacji danych wielowymiarowych
6. Analiza składowych głównych, analiza dyskryminacyjna – definicje i przykłady zastosowań
7. Ekstrakcja cech z sygnałów oraz parametryzacja pomiarów
8. Podstawowe narzędzia informatyczne stosowane w przetwarzaniu i analizie danych

Pozostałe informacje
Metody i techniki kształcenia:
  • 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:

Zasady udziału w zajęciach:
  • 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, 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.
Sposób obliczania oceny końcowej:

Kolokwium, wykonanie zadań w trakcie ćwiczeń, aktywność w trakcie zajęć, udział w dyskusji

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

Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :

• Podstawy algebry liniowej
• Znajomość podstaw probabilistyki i statystyki matematycznej

Zalecana literatura i pomoce naukowe:

1. R. G. Lyons, „Wprowadzenie do cyfrowego przetwarzania sygnałów”, Wyd. 2, WKŁ 2010
2. Amir D. Aczel, „Statystyka w zarządzaniu”, Wydawnictwo Naukowe PWN, Warszawa 2000
3. B. Ziółko, M. Ziółko, „Przetwarzanie mowy”, Wydawnictwa AGH, Kraków 2011

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

1. B. Ziółko, M. Ziółko, „Przetwarzanie mowy”, Wydawnictwa AGH, Kraków 2011
2. M. ZIÓŁKO, P. Jaciów, M. IGRAS: Combination of Fourier and wavelet transformations for detection of speech emotions. 7th International Conference on Human System Interactions (HSI) — ISBN: 978-1-4799-4714-0 — S. 49–54.
3. B. ZIÓŁKO, W. Kozłowski, M. ZIÓŁKO, R. SAMBORSKI, D. Sierra, J. GAŁKA: Hybrid Wavelet-Fourier-HMM speaker recognition. International Journal of Hybrid Information Technology; ISSN 1738-9968 — 2011 vol. 4 no. 4, s. 25–41.
4. S. KACPRZAK, M. ZIÓŁKO, M. MĄSIOR, M. IGRAS, K. Ruszkiewicz: Statistical analysis of phonemic diversity in languages across the world. Proceedings of the XIX National Conference on Applications of Mathematics in Biology and Medicine — ISBN: 978-83-60253-86-1, S. 48–53.
5. Rogus, G., Skrzyński, P., Szwed, P., Turek, M. and Werewka, J.: SMESDaD –
synergetyczna metodyka rozwijania i wdrażania oprogramowania korporacyjnego. (In
Polish:. SMESDaD – synergetic methodology for enterprise software development and
deployment) Journal: Pomiary Automatyka Robotyka, No. 12, AGH, Kraków, 2011 (pp.
196–209).
6. Krużel, T. and Werewka, J.: Application of BPMN for the PMBOK standard modelling to
scale project management efforts in IT enterprise. Information as the Intangible Assets
and Company Value Source, Library of Informatics of University Level Schools,
Wrocław, 2011 (pp. 171-182).

Doświadczenie zawodowe pozaakademickie:
Dr inż. Jakub Gałka jest szefem działu R&D w VoicePIN.com Sp. z o.o. oraz współzałożycielem spin-off’a Techmo Sp. z o.o. Jest członkiem Stowarzyszenia Top500 Innovators i absolwentem szkoleń na temat innowacyjności w Stanford University.
W swojej pracy naukowej zajmuje się rozwijaniem technologii przetwarzania mowy a także systemami biometrycznymi, analizą danych i uczeniem maszynowym. Prowadzi projekty badawczo-rozwojowe oraz zajmuje się wdrażaniem nowych technologii w praktyce gospodarczej (pierwsze w Polsce wdrożenie biometrii głosowej w bankowości mobilnej). Jest autorem oraz recenzentem publikacji naukowych w czasopismach z listy filadelfijskiej. Zdobywca krajowych i międzynarodowych nagród za działalność wynalazczą. Wspiera i rozwija działalność innowacyjną w środowisku akademickim i start-up’owym Krakowa. Jest laureatem Top10 Startup Alley na Tech Crunch Disrupt w San Francisco oraz zwycięzcą Tech Crunch Meetup Kraków 2015 (z VoicePIN.com).

Informacje dodatkowe:

Brak