Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Wprowadzenie do IBM SPSS Modeler
Tok studiów:
2019/2020
Kod:
HIFS-1-411-s
Wydział:
Humanistyczny
Poziom studiów:
Studia I stopnia
Specjalność:
-
Kierunek:
Informatyka Społeczna
Semestr:
4
Profil:
Praktyczny (P)
Język wykładowy:
Polski
Forma studiów:
Stacjonarne
Strona www:
 
Prowadzący moduł:
dr inż. Machniak Łukasz (machniak@agh.edu.pl)
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

Zajęcia służą zapoznaniu studentów z działaniem poszczególnych węzłów oferowanych przez system 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 IFS1P_W01 Wykonanie ćwiczeń laboratoryjnych
M_W002 Student dysponuje szczegółową wiedzą odnośnie możliwości zastosowania i konfigurowania węzłów oferowanych przez system IBM SPSS Modeler. IFS1P_W03 Wykonanie ćwiczeń laboratoryjnych
Umiejętności: potrafi
M_U001 Student potrafi przygotować całościowy proces eksploracji danych w IBM SPSS Modeler IFS1P_U10 Wykonanie ćwiczeń laboratoryjnych
M_U002 Student potrafi przeprowadzić samodzielnie analizy i zinterpretować wyniki IFS1P_U05 Wykonanie projektu
Kompetencje społeczne: jest gotów do
M_K001 Student orientuje się w możliwościach praktycznego zastosowania systemów do eksploracji danych IFS1P_K04, IFS1P_K02 Esej
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 0 30 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 89 godz
Punkty ECTS za moduł 3 ECTS
Udział w zajęciach dydaktycznych/praktyka 30 godz
Przygotowanie do zajęć 20 godz
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 15 godz
Samodzielne studiowanie tematyki zajęć 20 godz
Egzamin lub kolokwium zaliczeniowe 2 godz
Dodatkowe godziny kontaktowe 2 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Ćwiczenia projektowe (30h):
Wprowadzenie do IBM SPSS Modeler

1 Podstawowa funkcjonalność systemu – Realizacja metodyki CRISP-DM. Proces odkrywania wiedzy w bazach danych jako strumień węzłów. Różne sposoby wczytywania danych do systemu.
2. Zrozumienie danych – Znajdowanie rozkładów danych. Brakujące dane. Węzeł audytu danych.
3. Przygotowanie danych – Węzły do uzupełniania brakujących danych. Obsługa danych skorelowanych. Poprawianie jakości danych. Tworzenie próbek danych.
4. Modelowanie predykcyjne – Przygotowanie danych do klasyfikacji. Drzewa decyzyjne. Sieci neuronowe. SVM
5. Modelowanie – klastrowanie
6. Modelowanie – reguły asocjacyjne
7. Modelowanie – regresja
8. Modelowanie – analiza danych czasowych
9. Modelowanie – wyszukiwanie samotników
10. Analiza tekstu

Pozostałe informacje
Metody i techniki kształcenia:
  • Ćwiczenia projektowe: Studenci wykonują zadany projekt samodzielnie, bez większej ingerencji prowadzącego. Ma to wykształcić poczucie odpowiedzialności za pracę w grupie oraz odpowiedzialności za podejmowane decyzje.
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Aby uzyskać pozytywną ocenę z warsztatów należy:

  • wykonywać ćwiczenia laboratoryjne na zajęciach i zgodnie z wymaganiami przesyłać rozwiązania prowadzącemu
  • wykonać samodzielnie projekt
  • napisać esej na wybrany temat

Zaliczenie w terminie późniejszym nie ulega zmianom.

Zasady udziału w zajęciach:
  • Ćwiczenia projektowe:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Studenci wykonują prace praktyczne mające na celu uzyskanie kompetencji zakładanych przez syllabus. Ocenie podlega sposób wykonania projektu oraz efekt końcowy.
Sposób obliczania oceny końcowej:

Na podstawie ocen cząstkowych wyliczana jest średnia arytmetyczna.
Ocena końcowa wyliczana jest na podstawie zależności:
if sr>4.76 then OK:=5.0 else
if sr>4.26 then OK:=4.5 else
if sr>3.76 then OK:=4.0 else
if sr>3.26 then OK:=3.5 else OK:=3

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

Prowadzący zajęcia wyznacza literaturę i zagadnienia do samodzielnej analizy przez studenta. Materiał jest zaliczany w czasie i trybie wyznaczonym przez prowadzącego.

Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :

Znajomość statystyki i podstawowych metod eksploracji danych.

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:
  1. Analiza otwartych źródeł internetowych z zastosowaniem metodologii sieci społecznych — [Analysis of open Internet sources using social network methodology] / Anna ZYGMUNT, Jarosław KOŹLAK, Edward NAWARECKI // W: Biały wywiad : otwarte źródła informacji – wokół teorii i praktyki / pod red. nauk. Wojciecha Filipkowskiego i Wiesława Mądrzejowskiego. — Warszawa : Wydawnictwo C. H. Beck, 2012. — ISBN: 978-83-255-3425-7. — S. 197–221. — Bibliogr. s. 197–198, Streszcz., Summ.
  2. Identyfikacja wpływowych jednostek w blogosferze — Identifying the influential individuals in blogosphere / Anna ZYGMUNT, Jarosław KOŹLAK, Łukasz Krupczak // Studia Informatica ; ISSN 0208-7286. — Tytuł poprz.: Zeszyty Naukowe Politechniki Śląskiej. Seria Informatyka. — 2010 vol. 31 no. 2A, s. 21–34. — Bibliogr. s. 32–33, , Streszcz., Summ.
  3. Predicting community evolution in social networks / Stanisław Saganowski, Bogdan GLIWA, Piotr Bródka, Anna ZYGMUNT, Przemysław Kazienko, Jarosław KOŹLAK // Entropy ; ISSN 1099-4300. — 2015 vol. 17 iss. 5, s. 3053–3096. — Bibliogr. s. 3093–3096, Abstr.
  4. Role identification of social networkers / Anna ZYGMUNT // W: Encyclopedia of social network analysis and mining / eds. Reda Alhajj, Jon Rokne. — New York : Springer, cop. 2014. — ISBN: 978-1-4614-6169-2 ; e-ISBN: 978-1-4614-6170-8. — S. 1598–1606. — Bibliogr. s. 1605–1606

Doświadczenie zawodowe pozaakademickie:
dr Anna Zygmunt współpracowała z firmami Informix oraz IBM

Informacje dodatkowe:

brak