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)
|
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. |
Właścicielem praw autorskich jest Wojskowa Akademia Techniczna.