Data exploration
General data
Course ID: | 1000-5D17ED |
Erasmus code / ISCED: |
11.413
|
Course title: | Data exploration |
Name in Polish: | Eksploracja danych |
Organizational unit: | Faculty of Mathematics, Informatics, and Mechanics |
Course groups: |
Master seminars for Computer Science Master seminars for Mathematics MSc seminars for Machine Learning |
ECTS credit allocation (and other scores): |
6.00
|
Language: | English |
Type of course: | Master's seminars |
Short description: |
The seminar concentrates on various mathematical techniques helpful in data processing. The main focus is on intelligent data analysis, knowledge discovery from data and data mining. Another important topic of the seminar includes mathematical foundations and models underlying reasoning schemes on the basis of collected data in presence of vagueness, imprecision, ambiguity, and incompleteness. The seminar encompasses both theoretical and applicational studies in the corresponding areas. |
Full description: |
(in Polish) Wybrane zagadnienia ogólne: * Podstawy teoretyczne systemów uczących i eksploracji danych: wymiar Vapnika-Chervonenkisa i podstawowe twierdzenia teorii uczenia pojęć * Paradygmaty uczenia: np. nienadzorowane, nadzorowane, semi-nadzorowane, adaptacyjne, meta-uczenie. * Wnioskowania aproksymacyjne: logiczne aspekty w eksploracji danych: + metody (aproksymacyjnego) wnioskowania boolowskiego + boolowskie metody redukcji danych, + systemy regułowe, interpretowalność, + indukcja różnych modeli klasyfikatorów. * Algorytmiczne aspekty uczenia: heurystyki, metaheurystyki, oraz ekorytmy w eksploracji danych. * Procesy odkrywania wiedzy dla aproksymacji złożonych pojęć nieostrych i wnioskowania o nich. * Eksploracja danych w systemach interakcyjnych. * Zastosowania różnych działów matematyki w eksploracji danych. * Zastosowania eksploracji danych w różnych dziedzinach. * Inteligencja obliczeń i modele obliczeń inspirowane naturą (nature-inspired computing, natural computing) Wybrane metody eksploracji danych * metody odkrywania nowych wzorców, w szczególności cech, częstych wzorców, reguł asocjacyjnych, reguł decyzyjnych, klasyfikatorów * metody eksploracji danych z brakującymi wartościami * metody eksploracji danych niezbalansowanych * metody wykrywania obiektów nietypowych * metody uczenia podobieństwa i odległości * metody eksploracji danych relacyjnych * metody eksploracji danych sekwencyjnych, czasowych, przestrzennych * metody eksploracji danych multimedialnych, np. tekstów * metody wykrywanie modeli procesów z danych * metody hierarchicznego uczenia * metody i technologie obliczeń dla Big Data * skalowalność metod eksploracji danych, analiza danych strumieniowych * metody eksploracji danych w złożonych sieciach (np. społecznościowych, grafów) * metody eksploracji danych w sterowaniu obliczeniami złożonych systemów * metody adaptacyjnego uczenia i uczenia wspólnego (co-learning) * metody eksploracji danych w systemach rozproszonych * metody eksploracji danych w systemach autonomicznych * metody eksploracji danych w systemach złożonych (obejmujących Cyber Physical Systems, Inernet of Things, Wisdom Web o Things) |
Bibliography: |
References will be given at the first meeting. |
Learning outcomes: |
(in Polish) Wiedza: 1. Zna szeroki wachlarz nowoczesnych metod eksploracji dużych danych 2. Zna szeroki wachlarz modeli matematycznych związanych z eksploracją danych. Umiejętności 1. Ma pogłębioną umiejętność przygotowania wystąpień ustnych, w języku polskim i języku obcym, w zakresie informatyki lub w obszarze leżącym na pograniczu różnych dyscyplin naukowych (K_U11). 2. Potrafi opisywać wybrane problemy informatyczne i ich rozwiązania w sposób zrozumiały dla nieinformatyka; potrafi przygotować prezentację (artykuł) z użyciem narzędzi informatycznych (K_U12). 3. Potrafi przygotować (także w języku angielskim) opracowanie naukowe z wybranej dziedziny informatyki (K_U13). 4. Ma umiejętności językowe w zakresie informatyki zgodne z wymaganiami określonymi dla poziomu B2+ Europejskiego Systemu Opisu Kształcenia Językowego (K_U14). 5. Potrafi określić kierunki dalszego uczenia się i zrealizować proces samokształcenia (K_U15). Kompetencje 1. Zna ograniczenia własnej wiedzy i rozumie potrzebę dalszego kształcenia, w tym zdobywania wiedzy pozadziedzinowej (K_K01). 2. Potrafi precyzyjnie formułować pytania, służące pogłębieniu własnego zrozumienia danego tematu (w szczególności w kontaktach z nieinformatykiem) lub odnalezieniu brakujących elementów rozumowania (K_K02). 3. Potrafi pracować zespołowo, w tym w zespołach interdyscyplinarnych; rozumie konieczność systematycznej pracy nad wszelkimi projektami, które mają długofalowy charakter (K_K03). 4. Potrafi formułować opinie na temat podstawowych zagadnień informatycznych (K_K06). 5. Rozumie potrzebę systematycznego zapoznawania się z czasopismami naukowymi i popularnonaukowymi w celu poszerzania i pogłębiania wiedzy (K_K08). |
Assessment methods and assessment criteria: |
(in Polish) Metody i kryteria oceniania: Zaliczenie na podstawie: 1) przygotowania i wygłoszenia referatu, 2) zatwierdzenia tematu pracy magisterskiej (studenci I roku) lub złożenia pracy (studenci II roku) |
Classes in period "Academic year 2023/24" (in progress)
Time span: | 2023-10-01 - 2024-06-16 |
Navigate to timetable
MO TU W TH FR SEM-MGR
|
Type of class: |
Second cycle diploma seminar, 60 hours
|
|
Coordinators: | Andrzej Janusz, Dominik Ślęzak | |
Group instructors: | Andrzej Janusz, Dominik Ślęzak | |
Students list: | (inaccessible to you) | |
Examination: |
Course -
Pass/fail
Second cycle diploma seminar - Pass/fail |
Classes in period "Academic year 2024/25" (future)
Time span: | 2024-10-01 - 2025-06-08 |
Navigate to timetable
MO TU W TH FR |
Type of class: |
Second cycle diploma seminar, 60 hours
|
|
Coordinators: | Marek Grzegorowski, Dominik Ślęzak | |
Group instructors: | Marek Grzegorowski, Dominik Ślęzak | |
Students list: | (inaccessible to you) | |
Examination: |
Course -
Pass/fail
Second cycle diploma seminar - Pass/fail |
Copyright by University of Warsaw.