Wojskowa Akademia Techniczna - Centralny System Uwierzytelniania
Strona główna

Metody analizy danych eksperymentalnych- PW

Informacje ogólne

Kod przedmiotu: WELEBCSM-MADE
Kod Erasmus / ISCED: (brak danych) / (brak danych)
Nazwa przedmiotu: Metody analizy danych eksperymentalnych- PW
Jednostka: Wydział Elektroniki
Grupy:
Punkty ECTS i inne: (brak) 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.

zobacz reguły punktacji
Język prowadzenia: polski
Forma studiów:

stacjonarne

Rodzaj studiów:

II stopnia

Forma zajęć liczba godzin/rygor:

W 20/+ ; C 24/+ ; Razem: 44

Przedmioty wprowadzające:

Analiza matematyczna / wymagania wstępne: znajomość podstaw działań na macierzach oraz statystyki matematycznej

Programy:

II / elektronika i telekomunikacja / systemy informacyjno-pomiarowe, inżynieria systemów bezpieczeństwa

Autor:

dr hab. inż. Jacek Jakubowski

Bilans ECTS:

1. Udział w wykładach / 20

2. Samodzielne studiowanie tematyki wykładów / 10

3. Udział w ćwiczeniach / 24

4. Samodzielne przygotowanie się do ćwiczeń / 6

6. Przygotowanie do zaliczenia / 4


Sumaryczne obciążenie pracą studenta: 64 / 2 ECTS

Zajęcia z udziałem nauczycieli: 1.+3. = 44 / 1,5 ECTS

Zajęcia o charakterze praktycznym: 3 = 24 / 1 ECTS

Skrócony opis:

Przedmiot służy poznaniu technik obliczeniowych (formuł matematycznych oraz algorytmów komputerowych) przeznaczonych do ekstrakcji informacji z danych opisujących wyniki eksperymentu. Przedstawiane metody pochodzą z zakresu zarówno potwierdzającej, jak i eksploracyjnej analizy danych. Przedmiot zapoznaje i uczy zasad wykorzystania środowiska Matlab w zakresie przeprowadzenia analizy danych i opracowania raportu.

Pełny opis:

Wykłady /metody dydaktyczne: werbalno-wizualna prezentacja treści programowych

Tematy kolejnych zajęć:

1. Zagadnienia wprowadzające / 2h

2. Zastosowanie wybranych metod wnioskowania statystycznego w analizie jednowymiarowych danych eksperymentalnych / 2h

3. Realizacja zadania predykcji za pomocą rachunku skalarnego regresji liniowej / 2h

4. Realizacja zadania predykcji za pomocą rachunku macierzowego regresji liniowej / 2h

5. Opis danych wielowymiarowych / 2h

6. Transformacja PCA / 2h

7. Transformacja LDA / 2h

8. Wprowadzenie do analizy dyskryminacji / 2h

9. Problemy nieseparowalne liniowo / 2h

10. Klasyfikacja bezwzorcowa / 2h

Ćwiczenia / metody dydaktyczne: utrwalanie wiedzy z wykładu na podstawie przykładów obliczeniowych realizowanych w pracowni komputerowej

Tematy kolejnych zajęć:

1. Rozkłady wyników eksperymentu / 2h

2. Opis liczbowy jednowymiarowych wyników eksperymentu / 2h

3. Przykłady zastosowań wnioskowania statystycznego w analizie danych / 2h

4. Oszacowanie punktowe współczynników modelu liniowego zadaniu w predykcji z jednym regresorem / 2h

5. Oszacowanie przedziałowe współczynników modelu liniowego w predykcji z jednym regresorem / 2h

6. Zadanie predykcji wielowymiarowej / 2h

7. Badanie korelacji i wizualizacja danych wielowymiarowych / 2h

8. Badanie własności transformacji PCA / 2h

9. Przykłady zastosowań transformacji PCA / 2h

10. Przykłady transformacji danych wielowymiarowych za pomocą LDA / 2h

11. Wyznaczanie hiperpłaszczyzn rozdzielających / 2h

12. Tworzenie prezentacji wideo z analizy danych / 2h

Literatura:

podstawowa:

1. J. Koronacki, J. Ćwik, Statystyczne systemy uczące się, Akademicka Oficyna Wydawnicza EXIT, wyd. 2, 2008.

2. W. Kwiatkowski, Metody automatycznego rozpoznawania wzorców, Instytut Automatyki i Robotyki Wydziału Cybernetyki WAT, wyd. 1, 2001.

3. W. Klonecki, Statystyka dla inżynierów, Wydawnictwo Naukowe PWN, wyd. 1,1999.

uzupełniająca:

1. M. Dobosz, Wspomagana komputerowo statystyczna analiza wyników badań, Akademicka Oficyna Wydawnicza EXIT, 2001.

2. J. R. Taylor, Wstęp do analizy błędu pomiarowego, Wydawnictwo Naukowe PWN, wyd. 1 - 1995, wyd. 2 - 1999.

Efekty uczenia się:

W1 / Student ma poszerzoną i pogłębioną wiedzę w zakresie zastosowania narzędzi wnioskowania statystycznego jako podstawowej metodologii analizy danych eksperymentalnych reprezentujących zjawiska lub obiekty fizyczne / K_W01

W2 / Student zna i rozumie algorytmy wykorzystywane w systemach z obszaru specjalizacji obejmujące eksploracyjną analizę danych wielowymiarowych (data mining) ukierunkowaną na wizualizację, redukcję wymiarowości, ekstrakcję cech charakterystycznych, predykcję, klasyfikację i analizę skupień / K_W07, K_W08

W3 / Student zna język programowania Matlab w zakresie posługiwania się specjalizowanym przybornikiem Statistics Toolbox przy wykorzystaniu komputera do wspomagania analizy danych / K_W05

U1 / Student potrafi przygotować i przeprowadzić eksperymenty numeryczne z wykorzystaniem poznanych metod wielowymiarowej analizy danych eksperymentalnych jak PCA, LDA, k-NN i k-means / K_U07

U2 / Student potrafi opracować szczegółową dokumentację przeprowadzonej analizy danych z wykorzystaniem narzędzi wytwarzania wersji elektronicznej raportu i narzędzi przygotowania elementów prezentacji multimedialnej oraz zawierającą omówienie uzyskanych wyników / K_U03, K_U04

K1 / Student potrafi kreatywnie myśleć przy rozwiązywaniu problemu badawczego oraz współdziałać i pracować w małym zespole / K_K03, K_K06

Metody i kryteria oceniania:

Przedmiot zaliczany jest na podstawie: zaliczenia

Ćwiczenia zaliczane są na podstawie: ocen ze wszystkich raportów z analizy danych

Wykład zaliczany jest na podstawie: pisemnego kolokwium.

Zaliczenie z przedmiotu: Warunkiem zaliczenia przedmiotu jest uzyskanie pozytywnych ocen z ćwiczeń oraz wykładu. Ocena końcowa z przedmiotu uwzględnia oceny z poszczególnych form jego realizacji.

Efekty W1, W2 sprawdzane są na: ćwiczeniach rachunkowych i zaliczeniu wykładu.

Efekty W3, U1, U2 i K1 sprawdzane są na: ćwiczeniach rachunkowych oraz na podstawie sporządzanych przez studentów raportów z analizy danych.

Przedmiot nie jest oferowany w żadnym z aktualnych cykli dydaktycznych.
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Wojskowa Akademia Techniczna.
ul. gen. Sylwestra Kaliskiego 2, 00-908 Warszawa 46 tel: +48 261 839 000 https://www.wojsko-polskie.pl/wat/ kontakt deklaracja dostępności USOSweb 7.0.2.0-1 (2024-03-12)