Data exploration

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)

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).

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)