S Y L A B U S P R Z E D M I O T U
NAZWA PRZEDMIOTU: METODY ANALIZY DANYCH EKSPERYMENTALNYCH
Kod przedmiotu: 5ES210S210
Podstawowa jednostka organizacyjna (PJO) (prowadząca kierunek studiów): WYDZIAŁ ELEKTRONIKI
Kierunek studiów: ELEKTRONIKA I TELEKOMUNIKACJA
Specjalność: systemy informacyjno-pomiarowe, inżynieria systemów bezpieczeństwa
Rodzaj studiów: studia drugiego stopnia
Forma studiów: studia stacjonarne
Język realizacji: polski
Sylabus ważny dla naborów od roku akademickiego: 2009/2010
1. REALIZACJA PRZEDMIOTU
Osoby prowadzące zajęcia: dr inż. Gustaw KONOPACKI
PJO/instytut/katedra/zakład: WCY/ISI/ Zakład Informatycznych Systemów Zarządzania
2. ROZLICZENIE GODZINOWE
semestr |
forma zajęć, liczba godzin/rygor |
punkty |
|||||
|
razem |
wykłady |
ćwiczenia |
laboratoria |
projekt |
seminarium |
|
II |
45 |
20 / + |
25 / + |
- |
- |
- |
3 |
|
|
|
|
|
|
|
|
razem |
45 |
20 / + |
25 / + |
- |
- |
- |
3 |
3. PRZEDMIOTY WPROWADZAJĄCE WRAZ Z WYMAGANIAMI WSTĘPNYMI
Podstawy metrologii. Wymagania wstępne: umiejętność analizy wyników pomiarów w zakresie szacowania niepewności;
Analiza matematyczna. Wymagania wstępne: znajomość podstawowych pojęć z zakresu algebry liniowej;
Statystyka. Wymagania wstępne: znajomość podstawowych pojęć z zakresu probabilistyki oraz statystyki opisowej i matematycznej.
4. ZAŁOŻENIA I CELE PRZEDMIOTU
Umiejętności w zakresie podstaw:
- wykorzystania metod wnioskowania statystycznego w opracowaniu wyników eksperymentu;
- eksploracyjnej analizy danych wielowymiarowych;
Kompetencje w zakresie:
- podstaw metod rozpoznawania obiektów na podstawie analizy danych eksperymentalnych;
- wykorzystania komputera w analizie analizy danych.
5. METODY DYDAKTYCZNE
wykład - werbalno-audiowizualna prezentacja treści programowych;
ćwiczenia rachunkowe - realizacja praktycznych zadań analizy wyników eksperymentu, wykorzystanie komputerów w eksploracyjnej analizie danych;
samodzielna praca studenta - utrwalanie i poszerzanie zasobów wiedzy przedmiotowej oraz wykonanie zleconych zadań przez prowadzącego wykłady oraz ćwiczenia..
6. TREŚCI PROGRAMOWE
Lp. |
temat/tematyka zajęć |
liczba godzin |
||||
|
|
wykł. |
ćwicz. |
lab. |
proj. |
semin. |
ZAGADNIENIA WPROWADZAJĄCE Zasady realizacji i zaliczania przedmiotu. Cele i metody analizy danych. Sformułowanie problemu poszukiwawczej analizy danych. Podstawowe rozkłady i twierdzenia statystyki wykorzystywane w analizie danych. Wnioskowanie statystyczne jako podstawowa metodologia tradycyjnej analizy danych. |
2 |
|
|
|
|
|
ROZKŁADY WYNIKÓW EKSPERYMENTU Wykorzystanie dostępnego oprogramowania do wyznaczania wartości funkcji gęstości prawdopodobieństwa i dystrybuanty. Wyznaczanie kwantyli. Generatory liczb losowych. |
|
2 |
|
|
|
|
PODSTAWOWE ZAGADNIENIA STATYSTYCZNEJ ANALIZY WIELOWYMIAROWEJ Typy skal pomiarowych i ich charakterystyka. Transformacja normalizacyjna. Miary odległości. Rangowanie wielowymiarowe: według cechy syntetycznej, według wzorca, za pomocą rzutowania. |
2 |
|
|
|
|
|
PRZYKŁDY TRANSFORMACJI DANYCH Transformacja normalizacyjna danych. Wyznaczanie odległości według różnych definicji.
|
|
2 |
|
|
|
|
PRZYKŁDY RANGOWANIA WIELOWYMIAROWEGO Zastosowanie komputera do rangowania wielowymiarowego. |
|
2 |
|
|
|
|
METODY REDUKCJI WYMIARU Cele redukcji wymiaru danych. Podział metod stosowanych do redukcji ich wymiaru. Opis matematyczny operacji rzutowania punktu na wyróżniony kierunek. Metoda składowych głównych (PCA). Kryteria wyboru składowych głównych. Profilowanie składowych głównych. Metoda komponentów definiowanych przez użytkownika (UDC). |
2 |
|
|
|
|
|
REALIZACJA TRANSFORMACJI PCA Zastosowanie komputera do redukcji wymiaru danych wielowymiarowych za pomocą PCA. Własności danych w nowej przestrzeni cech. Interpretacja wyników transformacji. |
|
2 |
|
|
|
|
WIELOWYMIAROWA ANALIZA REGRESJI Liniowy model regresji. Estymacja punktowa i przedziałowa współczynników regresji liniowej. Weryfikacja modelu regresji liniowej. Regresja nieliniowa. |
2 |
|
|
|
|
|
ESTYMACJA LINIOWEGO MODELU REGRESJI Wykorzystanie dostępnego oprogramowania do estymacji liniowego modelu regresji wielowymiarowej i jego weryfikacji. |
|
2 |
|
|
|
|
|
ESTYMACJA NIELINIOWEGO MODELU REGRESJI Wykorzystanie dostępnego oprogramowania do estymacji nieliniowego modelu regresji wielowymiarowej i jego weryfikacji. |
|
2 |
|
|
|
|
ANALIZA KORELACJI Pojęcie kowariancji i korelacji. Analiza korelacji cząstkowej. Weryfikacja hipotez statystycznych o istotności zależności liniowej między danymi. Miary zależności między danymi mierzonymi w różnych skalach pomiarowych. |
2 |
|
|
|
|
|
WYZNACZANIE KORELACJI Przykłady obliczeń współczynnika korelacji. Ocena istotności siły związku liniowego. |
|
2 |
|
|
|
|
ANALIZA WARIANCJI Podział i znaczenie metod. Jednowymiarowa analiza wariancji dla klasyfikacji pojedynczej. Dekompozycja estymatora wariancji całkowitej. Tablica analizy wariancji. Wprowadzenie do zagadnień klasyfikacji podwójnej. |
2 |
|
|
|
|
PRZYKŁADY REALIZACJI TESTÓW ANALIZY WARIANCJI Wykorzystanie dostępnego oprogramowania w analizie przykładowych danych metodą testu ANOVA. Wykresy we współrzędnych równoległych. Wykresy Andrewsa. Tworzenie i interpretacja wykresów rozproszeń. |
|
2 |
|
|
|
|
ANALIZA SKUPIEŃ Cel analizy skupień (klasyfikacji bezwzorcowej). Metody klasyfikacji. Miary oceny klasyfikacji. |
2 |
|
|
|
|
|
|
PRZYKŁADY REALIZACJI KLASYFIKACJI Obliczenia podobieństwa pomiędzy danymi z wykorzystaniem różnych miar odległości. Zastosowanie dostępnego oprogramowania do realizacji metody grupowania minimalnoodległościowego oraz metody k-średnich. |
|
2 |
|
|
|
PRZYKŁADY OCENY KLASYFIKACJI Z wykorzystaniem dostępnego oprogramowania uzyskanie ocen wytworzonej klasyfikacji. Wybór klasyfikacji optymatnej. |
|
2 |
|
|
|
|
ANALIZA DYSKRYMINACJI Cel analizy dyskryminacji (klasyfikacji z wzorcem). Probabilistyczne metody klasyfikacji: klasyfikator bayesowski, liniowa funkcja dyskryminacyjna (LDA), klasyfikatory gaussowskie, funkcja dyskryminacyjna Fishera, metody regresyjne, metoda k-najbliższych sąsiadów. |
2 |
|
|
|
|
|
PRZYKŁADY REALIZACJI ZADAŃ Z ZAKRESU ANALIZY DYSKRYMINACJI Zastosowanie dostępnego oprogramowania do realizacji metod dyskryminacji z wykorzystaniem klasyfikatora bayesowskiego, liniowej funkcji dyskryminacyjnej (LDA), funkcji dyskryminacyjnej Fishera, metody regresji logistycznej, metody k-najbliższych sąsiadów. |
|
2 |
|
|
|
|
SZTUCZNE SIECI NEURONOWE Przeznaczenie sieci neuronowych. Model neuronu. Uczenie neuronu. Sieć jednowarstwowa (perceptron). Uczenie sieci jednowarstwowej. Sieć wielowarstwowa. Uczenie sieci wielowarstwowej. |
2 |
|
|
|
|
|
|
PRZYKŁADY WYZNACZANIA WAG W SZTUCZNYCH SIECIACH NEURONOWYCH Wyznaczanie wag w sieci jednowarstwowej i wielowarstwowej z wykorzystaniem dostępnego oprogramowania |
|
2 |
|
|
|
KOLOKWIUM Zaliczenie ćwiczeń rachunkowych. |
|
1 |
|
|
|
|
|
PODSTAWY PLANOWANIA EKSPERYMENTU Idea planowania eksperymentu na przykładzie badań kompletnych i monoselekcyjnych. Ogólny scenariusz planowania eksperymentu. Przykłady planów zdeterminowanych. Kolokwium zaliczające przedmiot. |
2 |
|
|
|
|
|
Razem |
20 |
25 |
|
|
|
7. LITERATURA
podstawowa:
M. Dobosz, Wspomagana komputerowo statystyczna analiza wyników badań, Akademicka Oficyna Wydawnicza EXIT, wyd. 2, 2004,
M. Kolenda, Taksonomia numeryczna. Klasyfikacja, porządkowanie i analiza obiektów wielocechowych, Wyd. AE im. Oskara Langego, Wrocław, 2006,
M. Walesiak, E. Gantar (red.), Statystyczna analiza danych z wykorzystaniem programu R, WNT PWN, Warszawa, 2009,
D. T. Larose, Metody i modele eksploracji danych, WNT PWN, Warszawa, 2008,
uzupełniająca:
D. Hand, H. Mannila, P. Smyth, Eksploracja danych, WNT, Warszawa,2005,
G. Konopacki, K. Worwa, Wybrane zagadnienia z rachunku prawdopodobieństwa i statystyki matematycznej, WSE, Warszawa, 2002,
J. Koronacki, J. Ćwik, Statystyczne systemy uczące się, Akademicka Oficyna Wydawnicza EXIT, wyd. 2, 2008,
M. Krzyśko, W. Wołyński, T. Górecki, M. Skorzybut, Systemy uczące się. Rozpoznawanie wzorców, analiza skupień i redukcja wymiarowości, WNT, Warszawa, 2008,
W. Kwiatkowski, Metody automatycznego rozpoznawania wzorców, Instytut Automatyki i Robotyki Wydziału Cybernetyki WAT, wyd. 1, 2001,
W. Klonecki, Statystyka dla inżynierów, Wydawnictwo Naukowe PWN, wyd. 1,1999,
W. Ostasiewicz (red.), Statystyczne metody analizy danych, Wyd. AE im. Oskara Langego, Wrocław, 1998,
J. R. Taylor, Wstęp do analizy błędu pomiarowego, Wydawnictwo Naukowe PWN, wyd. 1 - 1995, wyd. 2 - 1999.
8. FORMA I WARUNKI ZALICZANIA PRZEDMIOTU
Przedmiot zaliczany jest na podstawie: zaliczenia.
Zaliczenie jest przeprowadzane w formie testu wielokrotnego wyboru.
Warunkiem dopuszczenia do zaliczenia przedmiotu jest zaliczenie wszystkich ćwiczeń audytoryjnych.
1
2
"Z A T W I E R D Z A M"
Dziekan Wydziału Elektroniki
prowadzącego kierunek studiów
podpis
prof. dr hab. inż. Marian WNUK
Warszawa, dnia ..........................
opiekun merytoryczny
przedmiotu (grupy przedmiotów)
prof. dr hab. inż. Stanisław OSOWSKI tytuł, stopień naukowy, imię, NAZWISKO, podpis
autor sylabusa
dr inż. Gustaw KONOPACKI
tytuł, stopień naukowy, imię, NAZWISKO, podpis