Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Analysis and Visualization of Event Data
Tok studiów:
2019/2020
Kod:
HSOC-1-309-s
Wydział:
Humanistyczny
Poziom studiów:
Studia I stopnia
Specjalność:
-
Kierunek:
Socjologia
Semestr:
3
Profil:
Ogólnoakademicki (A)
Język wykładowy:
Angielski
Forma studiów:
Stacjonarne
Strona www:
 
Prowadzący moduł:
dr Małecka Anna (amm@agh.edu.pl)
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

Knowledge and skills of data processing and analysis.

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 has knowledge in data mining analysis, characterizing basics of data processing, describing the data exploration SOC1A_W12 Kolokwium
Umiejętności: potrafi
M_U001 knows how to use specific data mining methods SOC1A_U02 Kolokwium
M_U002 uses new methods in the R language to perform deep data analysis in the media SOC1A_U02 Wykonanie ćwiczeń laboratoryjnych
M_U003 is able to obtain additional information from the data using scientific approach SOC1A_U17 Wykonanie ćwiczeń laboratoryjnych
Kompetencje społeczne: jest gotów do
M_K001 correctly identifies and resolves dilemmas related to big data analysis SOC1A_K08, SOC1A_K03 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 has knowledge in data mining analysis, characterizing basics of data processing, describing the data exploration - - + - - - - - - - -
Umiejętności
M_U001 knows how to use specific data mining methods - - + - - - - - - - -
M_U002 uses new methods in the R language to perform deep data analysis in the media - - + - - - - - - - -
M_U003 is able to obtain additional information from the data using scientific approach - - + - - - - - - - -
Kompetencje społeczne
M_K001 correctly identifies and resolves dilemmas related to big data analysis - - + - - - - - - - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 100 godz
Punkty ECTS za moduł 4 ECTS
Udział w zajęciach dydaktycznych/praktyka 30 godz
Przygotowanie do zajęć 33 godz
Samodzielne studiowanie tematyki zajęć 32 godz
Dodatkowe godziny kontaktowe 5 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Ćwiczenia laboratoryjne (30h):

LABORATORY WORKS (based on examples of the event data visualization)
1. Introduction to R as a statistical programming language. R installation (3 hrs.)
2. The Base Graphics system in R. Univariate and multivariate plots. Customizing graphs and saving them in various formats (3 hrs.)
3. The Lattice Graphics in R. Exploring multivariate event data with trellis graphs (2 hrs.)
4. A comprehensive system for graph development with the ggplot2 in R (2 hrs.)
5. Event data and Interactive Graphics in R (2 hrs.)
6. Event data and Google Chart Tools in R (2 hrs.)
7. Case Study: Visualizing Catergorical Data (3 hrs.)

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:

Presence (only one class can be missed).and active participation in class discussions, development of assignments.

To be admitted to sit the exam, the students are required to participate actively in class discussions.

The student can take two resits.

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:

Presence and active participation in class – 10%.
Assignments – 30%.
Exam – 60%.

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

If a student misses more than one lecture (which must be confirmed by a medical certificate), they have to develop assignments for the missed class and discuss them during the lecturer’s duty hours.

Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :

Subject requirements:
– knowledge of the subject-related basics (statistics and related methods),
– PC user knowlegde
– no more than 19 persons per group,
– Internet access is required.

Zalecana literatura i pomoce naukowe:

Recommended reading
1. Crawley Michael J. The R Book, John Wiley & Sons Ltd 2007
2. Ledolter Johannes Data mining and business analytics with R, University of Iowa, Wiley 2013
3. Maindonald John, Braun W. John Data Analysis and Graphics. Using R – an Example-Based Approach, Cambridge University Press 2003
4. Pang-Ning Tan, Michael Steinbach, Vipin Kumar, Introduction to Data Mining, Pearson 2005
5. Paradis Emmanuel R for Beginners, Institut des Sciences de l' Evolution 2005
6. Przemysław Biecek, Przewodnik po pakiecie, Oficyna Wydawnicza 2008
7. Statystyczna analiza danych z wykorzystaniem programu R, pod red. nauk. M.Walesiaka, E.Gatnara, Wydawnictwo Naukowe PWN, Warszawa 2013
8. Torgo Luis Data Mining with R: learning with case studies, LIACC-FEP, University of Porto 2003
9. Yanchang Zhao R and Data Mining: Examples and Case Studies, Elsevier 2012
Additional literature
10. Adler Joseph R in a Nutshell, O’Reilly 2010
11. Coghlan Avril A Little Book of R For Multivariate Analysis, https://github.com/avrilcoghlan/LittleBookofRMultivariateAnalysis/raw/master/_build/latex/MultivariateAnalysis.pdf
12. Gatnar E. Podejście wielomodelowe w zagadnieniach dyskryminacji i regresji, PWN, Warszawa 2008
13. Kabacoff Robert I. R in Action. Data analysis and graphics with R, Manning Publications Co 2011 (Кабаков Роберт И. R в действии. Анализ и визуализация данных в программе R, ДМК Пресс, Москва 2014)
14. Larose D.T. Metody i modele eksploracji danych, PWN, Warszawa 2008
15. Pałka Dariusz, Zaskórski Piotr, Data mining w procesach decyzyjnych, Zeszyty Naukowe Warszawskiej Wyższej Szkoły Informatyki, nr 7, Warszawa 2012, s. 143-161
16. Stanisz A. Przystępny kurs statystyki. t III Analizy wielowymiarowe, StatSoft, Kraków 2005
17. StatSoft: Internetowy Podręcznik Statystyki. Techniki zgłębiania danych (data mining), http://www.statsoft.pl/textbook/glosfra.html
18. Venables W. N., Smith D. M. and the R Core Team An Introduction to R. A Programming Environment for Data Analysis and Graphics, 2015
19. Vries Andrie de, Meys Joris R For Dummies, John Wiley & Sons, Ltd 2012

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

1. Yuskiv Bogdan. Skomputeryzowana analiza treści: monografia / Project “Internetowa Promocja Nauki”; Unia Europejska, Europejski Fundusz Społeczny. – Rzeszow: Uniwersytet Rzeszowski, 2011. – 41 s.
2. Yuskiv B. Wsparcie informacyjne transgranicznej współpracy w ramach Euroregionu Bug // Bohdan Yuskiv / Na pograniczach. Szanse i zagrożenia społeczne / Red. naukowa P.Frączek, J.Karolczuk. – Sanok: Państwowa Wyższa Szkoła Zawodowa, 2015. – S.115-128.
3. Yuskiv B. Polski model świata w ukraińskiej przestrzeni medialnejWsparcie informacyjne transgranicznej współpracy w ramach Euroregionu Bug // Bohdan Yuskiv / Na pograniczach. W kręgu historii, sztuki i mediów / Red. naukowa A.Chudzik, R.Lipelt. – Sanok: Państwowa Wyższa Szkoła Zawodowa, 2016. – 274 s. – 171-191.
4. Yuskiv B. Ukraińsko-rosyjski konflikt na wschodzie Ukrainy a propaganda w mediach rosyjskich / Bohdan Yuskiv, Sergii Khomych // Na pograniczach. Kultura – literature – media / Red. naukowa A.Chudzik, R.Lipelt. – Sanok: Państwowa Wyższa Szkoła Zawodowa, 2017. – S.173-191.
5. Yuskiv B. Kryzys migracyjnyw Europie. Analiza zjawiska w mediach publicznych / Bohdan Yuskiv // Na pograniczach. Kultura – literature – media / Red. naukowa A.Chudzik, R.Lipelt. – Sanok: Państwowa Wyższa Szkoła Zawodowa, 2017. – S.193-215.

Informacje dodatkowe:

PROGRAMS / SUBJECT TOOLS:
− R
− RStudio
− R packages
Subject results:
– students will get knowledge in data mining analysis, characterizing basics of data processing, describing the data exploration as well as specific data mining methods;
– students will use new methods in the R language to perform deep data analysis in the media;
– students will be able to obtain additional information from the data using scientific approach.