Uniwersytet Warszawski - Centralny System Uwierzytelniania
Strona główna

Rafinacja Informacji

Informacje ogólne

Kod przedmiotu: 2700-M-ZBD-D2RI
Kod Erasmus / ISCED: 15.1 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0321) Dziennikarstwo Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Rafinacja Informacji
Jednostka: Wydział Dziennikarstwa, Informacji i Bibliologii
Grupy: BD-DZIENNE II STOPNIA - semestr 2 rok 1
Punkty ECTS i inne: 2.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.
Język prowadzenia: polski
Rodzaj przedmiotu:

obowiązkowe

Skrócony opis:

Celem przedmiotu jest zapoznanie studentów z ideą rafinacji informacji oraz z praktycznymi aplikacjami tej metody.

Pełny opis:

Przedmiot dotyczy informacji cyfrowych i ich gromadzenia. Studenci zapoznają się z identyfikacją dostępnych źródeł informacji. Główna uwaga skierowana będzie w stronę Big Data i wartość ukrytej w tego rodzaju zasobach. Studenci zapoznają się z rafinacją informacji – metodą pozyskiwania informacji. Przedmiot obejmuje również: identyfikację sentymentów, modele badanych zjawisk i modele predykcji. Zastosowanie mają narzędzia takie jak wyrażenia regularne czy dzielenie łańcuchów. W ramach przedmiotu przedstawione zostaną analizy przypadków, a w tym wyniki rafinacji informacji oraz praktycznych aspektów rafinacji danych z uwzględnieniem ich czyszczenia.

Przedmiot realizowany w formie wykładów i ćwiczeń.

Literatura:

Primary Literature

• Bowles M., “Machine Learning in Python. Essential Techniques for Predictive Analysis”, Wiley, 2015

• Breiman L., “Statistical Modeling: The Two Cultures“, Statistical Science, 2001, Vol. 16, No. 3, 199–231

• Brownlee J., “Deep Learning for Natural Language Processing”, MLM, 2017

• Dinsmore T., “Disruptive Analytics, Charting Your Strategy for Next-Generation Business Analytics”,Springer 2016

• Goodfellow I., Bengio Y.,Courville A.,”Deep Learning” MIT Press, 2018

• Ed. Leonelli S., Tempini N., “Data Journeys in the Sciences”, Springer (open), 2020

• Ed. Trovati M., Hill R., AnjumA., Zhu S., Liu L., “Big-Data Analytics and Cloud Computing. Theory, Algorithms and Applications”, Springer 2015

Secondary Literature

• Gogołek, W. „Technologie informacyjne mediów”. Warszawa: Oficyna Wydawnicza ASPRA-JR, 2006.

• Kleppmann, M., Walczak T., „Przetwarzanie danych w dużej skali: niezawodność, skalowalność i łatwość konsekwencji systemów”. Gliwice: Helion, 2018.

• Mayer-Schönberger, V., Cukier K., Głatki M.,. Big data: rewolucja, która zmieni nasze myślenie, pracę i życie”. Warszawa: MT Biznes, 2014.

Efekty uczenia się:

Po ukończeniu przedmiotu student:

Wiedza

- wie na czym polega rafinacja informacji,

- wie jak szukać wartościowych informacji z dziedziny nauki, biznesu, polityki, mediów i innych obszarów działalności człowieka.

- zna metody rafinacji dla danych ustrukturyzowanych i nieustrukturyzowanych,

- zostaje zapoznany z przykładowymi studiami przypadków rafinacji danych,

Umiejętności

- posiada wiedzę niezbędną w zakresie rafinacji danych, itd.,

- posiada umiejętność konstruowania wyrażeń regularnych,

- potrafi dobrać oprogramowanie do rafinacji danych ze stron internetowych i innych źródeł danych,

Inne kompetencje

- student posiada kompetencje w zakresie badania i rafinowania szerokiego spektrum surowych informacji. Przedmiotowe kompetencje mogą być przydatne w badaniach

naukowych, zespołach analitycznych, podmiotach biznesowych przetwarzających duże zbiory danych ustrukturyzowanych i nieustrukturyzowanych.

Metody i kryteria oceniania:

Zaliczenie wykładów na ocenę – projekt

Zaliczenie ćwiczeń – na ocenę - bieżąca ocena pracy studenta.

Ocena końcowa stanowi średnią ważoną:

60% - ocena projektu,

30% - aktywność na zajęciach,

10% - obecność.

Zajęcia w cyklu "Semestr letni 2023/24" (w trakcie)

Okres: 2024-02-19 - 2024-06-16
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Warsztaty, 20 godzin więcej informacji
Koordynatorzy: Marek Karwański
Prowadzący grup: Marek Karwański
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Warsztaty - Zaliczenie na ocenę

Zajęcia w cyklu "Semestr letni 2024/25" (jeszcze nie rozpoczęty)

Okres: 2025-02-17 - 2025-06-08
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Warsztaty, 20 godzin więcej informacji
Koordynatorzy: Marek Karwański
Prowadzący grup: (brak danych)
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Warsztaty - Zaliczenie na ocenę
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski.
Krakowskie Przedmieście 26/28
00-927 Warszawa
tel: +48 22 55 20 000 https://uw.edu.pl/
kontakt deklaracja dostępności USOSweb 7.0.3.0 (2024-03-22)