Politechnika Warszawska - Centralny System Uwierzytelniania
Strona główna

Data Mining

Informacje ogólne

Kod przedmiotu: 1120-IN000-ISA-0560
Kod Erasmus / ISCED: (brak danych) / (brak danych)
Nazwa przedmiotu: Data Mining
Jednostka: Wydział Matematyki i Nauk Informacyjnych
Grupy: Elective courses, Computer Science
Przedmioty obieralne, wydz. MiNI PW
Punkty ECTS i inne: 4.00 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: angielski
Skrócony opis:

Prerequisites:

Computer Statistics

Course content:

Data Mining model and methods

Objectives of the course:

The course introduces principles and techniques of data mining. It emphasizes the advantages and disadvantages of using these methods in real world systems, and provides hands-on experience.

Pełny opis:

Course description:

Objectives of the course:

The course introduces principles and techniques of data mining. It emphasizes the advantages and disadvantages of using these methods in real world systems,

and provides hands-on experience.

Lectures and Laboratories:

Data Mining model and methods

Prerequisites:

Computer Statistics

Literatura:

1. M. Berry, G. Linoff, Mastering Data Mining, John Wiley & Sons, 2000.

2. U. Fayyad, G.Piatetsky-Shapiro, P. Smyth, R.Uthurusamy, Advances in Knowledge Discovery and Data Mining, AAAI/MIT Press, 1996.

3. J. Han, M. Kamber, Data Mining: Concepts and Techniques, Morgan Kaufmann, 1996.

4. N. Indurkhya, S.M. Weiss, Predictive Data Mining: A Practical Guide, Morgan Kaufmann,1997.

Metody i kryteria oceniania:

Lab: project (max 40 pts) – max 20pts for documentation

and max 20pts for computer implementation, preparation of data sets and tests, presentation.

Lecture: multiple choice test (max 60pts) – 20 questions, +3 pts for each correct mark, -3 pts for each wrong mark.

Both parts (project and test) have to be passed. (at least 21 pts for the lab and at least 31 pts for the test).

Final grade:51-60 pts = 3.0, 61-70 pts = 3.5, 71-80 pts = 4.0, 81-90 pts = 4.5, 91-100 pts = 5.0.

Zajęcia w cyklu "rok akademicki 2020/2021 - sem. zimowy" (zakończony)

Okres: 2020-10-01 - 2021-02-19
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 15 godzin, 15 miejsc więcej informacji
Wykład, 30 godzin, 60 miejsc więcej informacji
Koordynatorzy: Krzysztof Bryś
Prowadzący grup: Krzysztof Bryś, Dominik Lewy
Lista studentów: (nie masz dostępu)
Zaliczenie: Zaliczenie na ocenę

Zajęcia w cyklu "rok akademicki 2019/2020 - sem. zimowy" (zakończony)

Okres: 2019-10-01 - 2020-02-21
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 15 godzin, 15 miejsc więcej informacji
Wykład, 30 godzin, 30 miejsc więcej informacji
Koordynatorzy: Krzysztof Bryś
Prowadzący grup: Krzysztof Bryś, Dominik Lewy
Lista studentów: (nie masz dostępu)
Zaliczenie: Zaliczenie na ocenę
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Politechnika Warszawska.
pl. Politechniki 1, 00-661 Warszawa tel: (22) 234 7211 https://pw.edu.pl kontakt deklaracja dostępności USOSweb 7.0.0.0-7 (2024-03-18)