Metody i narzędzia eksploracji danych

stacjonarne

III stopnia

wybieralny

W30/+

Brak przedmiotów wprowadzających

Dyscyplina naukowa studiów: Elektronika, Telekomunikacja

prof. dr hab. inż. Stanisław Osowski

W ramach przedmiotu przedstawione zostaną następujące treści kształcenia:

Podstawowe pojęcia eksploracji danych, przegląd algorytmów optymalizacyjnych, metody regresji liniowej i logistycznej, klasyfikatory Bayes’a i drzewa decyzyjne, sztuczne sieci neuronowe MLP i RBF, sieć wektorów nośnych SVM, zespoły klasyfikatorów i predyktorów, metody oceny jakości klasyfikatorów i predyktorów, transformacje statystyczne PCA i ICA, wybrane metody generacji i selekcji cech diagnostycznych, algorytmy grupowania danych wielowymiarowych, zależności asocjacyjne między danymi, systemy rozmyte Takagi-Sugeno-Kanga, metody wizualizacja danych wielowymiarowych.

Wykłady realizowane są w formie werbalno-wizualnej prezentacji następujących treści:

1. Podstawowe pojęcia eksploracji danych

Formy akwizycji danych, normalizacja danych, dane odstające i brakujące. przegląd zadań eksploracji danych i stosowanych narzędzi.

2. Algorytmy optymalizacyjne

Przegląd algorytmów gradientowych, algorytm symulowanego wyżarzania, algorytmy genetyczne i ewolucyjne.

3. Regresja liniowa i logistyczna

Regresja w zastosowaniach klasyfikacji i aproksymacji. Algorytmy regresji i ich implementacja w Matlabie.

4. Klasyfikatory Bayes’a i drzewa decyzyjne

Pełny i naiwny klasyfikator Bayes’a, implementacja naiwnego klasyfikatora Bayes’a w Matlabie, drzewa decyzyjne, algorytm tworzenia drzewa, implementacja drzewa decyzyjnego w Matlabie.

5. Sztuczne sieci neuronowe MLP

Sieć perceptronu wielowarstwowego MLP, algorytmy uczące MLP, program uczenia sieci MLP. Problem generalizacji sieci neuronowych.

6. Sztuczne sieci neuronowe RBF

Sieć RBF: struktura sieci i algorytmy uczące, program komputerowy do uczenia sieci RBF. Problemy praktyczne wykorzystania sieci.

7. Sieć wektorów nośnych SVM

Sieć do klasyfikacji, algorytmy uczenia sieci, sieć SVM do zadania regresji, sieć jednoklasowa SVM.

8. Zespoły klasyfikatorów i predyktorów

Struktura zespołu, metody integracji zespołu klasyfikatorów i predyktorów. Przykłady integracji.

9. Metody oceny jakości klasyfikatorów i predyktorów

Miary jakości predykcji i klasyfikacji, macierze rozkładu klas, miary wrażliwości i specyficzności, krzywa ROC, metody poprawy jakości klasyfikatorów, różnicowanie kosztów klasyfikacji, metoda równoważenia klas.

10. Transformacja PCA i ICA

Zastosowanie transformacji w kompresji, generacji cech diagnostycznych i wizualizacji danych wielowymiarowych. Toolbox ICALAB. Rzutowania nieliniowe danych wielowymiarowych. Zastosowania.

11. Wybrane metody generacji i selekcji cech diagnostycznych

Metody generacji cech dla sygnałów i obrazów. Metody selekcji cech: metoda Fishera, korelacji danych wejściowych z klasą, zastosowanie sieci liniowej SVM, zastosowanie hipotez statystycznych. Zastosowanie metod w klasyfikacji i predykcji.

12. Algorytmy grupowania danych

Algorytm K-means i rozmyty c-means. Algorytmy WTM. Ocena jakości grupowania danych. Zastosowania metod grupowania.

13. Zależności asocjacyjne między danymi

Podstawowe definicje asocjacji. Generacja zbiorów najczęściej pojawiających sie w transakcjach. Generacja reguła asocjacyjnych. Metody oceny reguł asocjacyjnych.

14.Systemy rozmyte

Podstawy matematyczne systemów rozmytych. Wnioskowanie rozmyte Mamdaniego-Zadeha i Takagi-Sugeno-Kanga. Metody uczenia systemów rozmytych. Sieci neuro-fuzzy.

15. Wizualizacja danych wielowymiarowych

Metody wizualizacji danych wielowymiarowych. Transformacje liniowe i nieliniowe danych. Przykłady zastosowań narzędzi eksploracji danych.

Literatura podstawowa:

1. S. Osowski, Metody i narzędzia eksploracji danych, BTC, Warszawa, 2012

2. S. Osowski, Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza PW, Warszawa, 2006

Literatura uzupełniająca:

1. P. N. Tan., M. Steinbach, V. Kumar V., Introduction to data mining, Pearson Education Inc., Boston, 2006

W1 / Doktorant ma zaawansowaną wiedzę z matematyki, niezbędną do:

1) modelowania i analizy zaawansowanych urządzeń

i systemów elektronicznych, a także zjawisk fizycznych w

nich występujących,

2) opisu i analizy działania oraz syntezy złożonych systemów

elektronicznych,

3) opisu, analizy i syntezy algorytmów przetwarzania sygnałów

i informacji / K_W01

W2 / Doktorant ma zaawansowaną wiedzę w zakresie metod sztucznej inteligencji oraz eksploracji danych / K_W10

U1 / Doktorant potrafi pozyskiwać najnowsze informacje z dziedziny sztucznej inteligencji i przetwarzania danych na podstawie literatury i innych źródeł, dokonywać ich interpretacji i krytycznej oceny. / K_U01

U2 / Doktorant potrafi dokonać analizy i syntezy złożonych sygnałów i systemów przetwarzania sygnałów, stosując techniki odpowiednie narzędzia sztucznej inteligencji/ K_U07

K1 / Doktorant rozumie potrzebę uczenia się przez całe życie; potrafi inspirować i organizować proces uczenia się innych osób / K_K01

K2 / Doktorant potrafi odpowiednio określić priorytety służące realizacji określonego przez siebie lub innych zadania / K_K04

Warunkiem zaliczenia przedmiotu jest uzyskanie oceny pozytywnej z egzaminu pisemnego i ustnego.

Efekty: W1, W2, U1 i U2 sprawdzane są poprzez egzamin sprawdzający organizowany pod koniec semestru oraz poprzez dyskusje na wykładach;

Efekty K1 i K2 weryfikowane są częściowo poprzez dyskusje z doktorantami nad różnymi aspektami problemów poruszanych na wykładzie.

Brak