Lectures

1.2. Data, data mining methods, Preprocessing: dm_inz_1pldm_inz_1_en

3. Data analysis, correlations, data transforms: dm_inz_2, dm_inz_2_en

4. Regression models: dm_inz_3,dm_inz_4, dm_inz_3_en

5. Expotential smoothing, ARIMA: dm_inz_5dm_inz_7, dm_inz_5_en

6. ANN: dm_inz_6, dm_inz_6_en

7. Case Study 1

 

Practical excercises

1. Statistica: dm_inz_1cw, Tutorial: TutorialCwiczenia1

2. Importing and cleaning data: dm_inz_2cw

3. Data analysis, correlations: dm_inz_3cw

4. Regression models: dm_inz_4cw

5. Regression models quality assessment

6. Predictions

7. Expotential smoothing, ARIMA: dm_inz_7cw

8. ANN: dm_inz_8cw

9. ANN

10. Case Study: CaseStudy

 

Zasady uzyskania zaliczenia z przedmiotu:

  • Udział w wykładach jest nieobowiązkowy, osoby przeszkadzające w wykładzie będą miały obniżoną ocenę
  • Udział w ćwiczeniach jest obowiązkowy (możliwa jest 1 nieobecność nieusprawiedliwiona). Zmiana grupy na zajęciach, wyłącznie po zgodzie prowadzącego ćwiczenia, w innym przypadku obecność nie zostanie uznana.
  • Na ćwiczeniach obowiązują zagadnienia z wykładów (osoby nieprzygotowane do ćwiczeń mogą zostać niedopuszczone do zajęć)
  • Frekwencja równa lub niższa niż 50% na ćwiczeniach oznacza brak uzyskania zaliczenia
  • Ocena końcowa składa się z kartkówek teoretycznych oraz projektu praktycznego. 80% CS+20% kartkówki+5% aktywność(obecności, aktywność na ćwiczeniach). Aby uzyskać ocenę pozytywną, należy zdobyć minimum 50% punktów z CS oraz minimum 50% punktów z całości zajęć.
  • CS może być w postaci kolokwium lub projektu (zależy od pracy Studentów w trakcie semestru)
  • Oddanie projektu do końca semestru- I termin oceny końcowej, w pierwszym tygodniu sesji- II termin oceny końcowej, w drugim tygodniu sesji- III termin oceny końcowej.
  • Ocena końcowa jest oceną procentową zgodną z Regulaminem Studiów.
  • Więcej informacji będzie podanych na ćwiczeniach oraz wykładach