Sztuczna Inteligencja i Big Data w badaniach naukowych 1600-SZD-WM-NZI
Wykład 20 godz.
Potencjał informacyjny sztucznej inteligencji (AI) i dużych zasobów informacyjnych (Big Data). w badaniach naukowych. Krytyczna rola: (1) technologii informacyjnych (potencjał informatyczny, obliczeniowy i komunikacyjny), (2) Big Data w oczekiwanych efektach wykorzystania (3) narzędzi/aplikacji AI i (4) statystyk. Narzędzia AI do analizy dużych zbiorów informacji i efektywnej komunikacji komputer-człowiek. Ilustracja znaczenia posiadania zasobów na przykładzie kluczowej funkcjonalności sztucznej inteligencji - Machine Learning (ML). Istota procesu budowania modelu/opisu obrazu badanego obiektu/zjawiska w przeszłości, w czasie rzeczywistym i predykcji, a także odkrywania trendów, zależności, prawidłowości w danych opisujących badany obiekt - przedmiot dociekań naukowych. Ilustracja potencjału Big Data, AI i statystyk, studiami przypadków: media, edukacja, historia, wybory prezydenckie/parlamentarne, fake news, medycyna, nowe technologie i inne.
Rodzaj przedmiotu
seminaria doktoranckie
seminaria magisterskie
fakultatywne
seminaria monograficzne
monograficzne
Koordynatorzy przedmiotu
Przedmiot dedykowany programowi
Efekty kształcenia
Znajomość podstawowych narzędzi z zakresu AI, Big Data i funkcji statystycznych pod kątem możliwości praktycznego wykorzystania tych funkcji na przykładach case studies z badań naukowych i komercyjnych.
Kryteria oceniania
opis wymagań związanych z uczestnictwem w zajęciach, w tym
dopuszczalna liczba usprawiedliwionych nieobecności;
Aktywność podczas zajęć. Dopuszczalne dwie nieobecności
zasady zaliczenia zajęć i przedmiotu (w tym sesji poprawkowej);
Ocena koncepcji wykorzystania sztucznej inteligencji i Big Data we własnej pracy dyplomowej lub innej wybranej pracy badawczej.
metody weryfikacji efektów uczenia się;
Wynik oceny aktywności na zajęciach (rozmowa, zadania problemowe) oraz ocena koncepcji wykorzystania sztucznej inteligencji i Big Data.
kryteria oceny
Wykonanie i ukończenie koncepcji wskazanej pracy badawczej.
Praktyki zawodowe
brak
Literatura
1. Campos, R., Mangaravite V., Pasquali A., Jorge A.M., Nunes C., Jatowt A. (2018). YAKE! Collection-Independent Automatic Keyword Extractor. In Pasi G., Piwowarski B., Azzopardi L., Hanbury A. (Eds) Advances in Information Retrieval. ECIR 2018. Lecture Notes in Computer Science, vol. 10772. Springer, Cham. https://doi.org/10.1007/978-3-319-76941-7_80.
2. Gogołek W. i inni,; Citizen Big Data Refining on the example of the capital city of Warsaw. Analiza zasobów informacyjnych Big Data. Citizen Science na przykładzie miasta stołecznego Warszawy. Urban Development Issues, vol. 73 (2022), 08 https://doi.org/10.51733/udi.2022.73.08. https://drive.google.com/file/d/1d5sCFJSm6k6GN9XnUiPwp2ay_owsRacg/view?usp=sharing.
3. Gogołek W. Big Data o mediach. Dominanty świata mediów. „Studia Medioznawcze”, Tom 23 Nr 2, Opublikowane: 2022-06-30. Big Data o mediach. Dominanty świata mediów (studiamedioznawcze.eu) Widok Big Data o mediach. Dominanty świata mediów (studiamedioznawcze.eu)
4. Gogołek W. i inni, Machine learning. Edukacja i koronawirus. W: Teoretyczne i praktyczne aspekty pedagogiki medialnej, (red.) D. Siemieniecka, K. Majewska, Wydawnictwo UMK, Toruń 2021, s.189-204. ISBN 978-83-231-4551-6, eISBN 978-83-231-4552-3, https://doi.org/10.12775/978-83-231-4552-3.
5. Gogołek W. Refining Big Data, Bulletin of Science, Technology & Society; 1–6, © The Author(s) 2019; Article reuse guidelines: sagepub.com/journals-permissions; DOI: 10.1177/0270467619864012; journals.sagepub.com/home/bst.
6. Gogołek W. i inni, Z badań nad wykorzystaniem rafinacja informacji sieciowej. Wybory prezydenckie i parlamentarne 2015. Studia Medioznawcze nr 3(62) 2015, Instytut Dziennikarstwa UW, Warszawa 2015, s. 31 – 43. From the research – refining the information from the net. Presidential and parliamentary elections in 2015, 2015 no. 3(62).
http://studiamedioznawcze.pl/article.php?date=2015_3_62&content=gogolek&lang=en
7. Gogołek W., i inni,, Z badań nad systemem rafinacji sieciowej Identyfikacja sentymentów, Studia Medioznawcze Media Studies 4 (67) 2016. http://studiamedioznawcze.pl/article.php?date=2016_4_67&content=gogolek&lang=pl
8. Gogołek W. i inni, Rafinacja informacji sieciowych na przykładzie wyborów parlamentarnych. Część 2. Portale internetowe, konteksty medialne i merytoryczne, Studia Medioznawcze nr 3(54) 2013, Instytut Dziennikarstwa UW, Warszawa 2013, s. 153 - 161. http://studiamedioznawcze.pl/Numery/2013_3_54/pelny.pdf
9. Gogołek W., i inni, Media Studies: Refining Network Information on the Example of Parliamentary Elections. Part 1. Blogs, Forums, Sentiment Analysis, 2012, no. 2(53) http://studiamedioznawcze.pl/article.php?date=2013_2_53&content=gogolek&lang=en.
10. Gogołek W., i inni, Refining Network Information on the Example of Parliamentary Elections. Part 2, Internet Portals, Media and Content, 2012, no 3(53) http://studiamedioznawcze.pl/article.php?date=2013_3_54&content=gogolek&lang=en.
11. Mayer-Schonberger, V., & Cukier, K. (2017). Big Data, Rewolucja która zmieni nasze myślenie pracę i życie. Warszawa: MT Biznes.
12. PwC. (2018). Perspektywy Rozwoju Branży Rozrywki I Mediów W Polsce 2018-2022. Link https://www.pwc.pl/pl/pdf/publikacje/2018/media-i-rozrywka-2018-raport-pwc.pdf.
13. Pruchnik, P., Identyfikacja trendów w polskich mediach na przykładzie kwartalnika „Studia Medioznawcze” (2019). Wykorzystanie narzędzi Big Data, Studia Medioznawcze, Warszawa 2019. Link https://studiamedioznawcze.eu/index.php/studiamedioznawcze/article/view/113/116
14. Silge, J., & Robinson, D. (2019). Text Mining with R A Tidy Approach. Link z https://www.tidytextmining.com/.
|
W cyklu 2023L:
1. Campos, R., Mangaravite V., Pasquali A., Jorge A.M., Nunes C., Jatowt A. (2018). YAKE! Collection-Independent Automatic Keyword Extractor. In Pasi G., Piwowarski B., Azzopardi L., Hanbury A. (Eds) Advances in Information Retrieval. ECIR 2018. Lecture Notes in Computer Science, vol. 10772. Springer, Cham. https://doi.org/10.1007/978-3-319-76941-7_80. 2. Gogołek W. i inni,; Citizen Big Data Refining on the example of the capital city of Warsaw. Analiza zasobów informacyjnych Big Data. Citizen Science na przykładzie miasta stołecznego Warszawy. Urban Development Issues, vol. 73 (2022), 08 https://doi.org/10.51733/udi.2022.73.08. https://drive.google.com/file/d/1d5sCFJSm6k6GN9XnUiPwp2ay_owsRacg/view?usp=sharing. 3. Gogołek W. Big Data o mediach. Dominanty świata mediów. „Studia Medioznawcze”, Tom 23 Nr 2, Opublikowane: 2022-06-30. Big Data o mediach. Dominanty świata mediów (studiamedioznawcze.eu) Widok Big Data o mediach. Dominanty świata mediów (studiamedioznawcze.eu) 4. Gogołek W. i inni, Machine learning. Edukacja i koronawirus. W: Teoretyczne i praktyczne aspekty pedagogiki medialnej, (red.) D. Siemieniecka, K. Majewska, Wydawnictwo UMK, Toruń 2021, s.189-204. ISBN 978-83-231-4551-6, eISBN 978-83-231-4552-3, https://doi.org/10.12775/978-83-231-4552-3. 5. Gogołek W. Refining Big Data, Bulletin of Science, Technology & Society; 1–6, © The Author(s) 2019; Article reuse guidelines: sagepub.com/journals-permissions; DOI: 10.1177/0270467619864012; journals.sagepub.com/home/bst. 6. Gogołek W. i inni, Z badań nad wykorzystaniem rafinacja informacji sieciowej. Wybory prezydenckie i parlamentarne 2015. Studia Medioznawcze nr 3(62) 2015, Instytut Dziennikarstwa UW, Warszawa 2015, s. 31 – 43. From the research – refining the information from the net. Presidential and parliamentary elections in 2015, 2015 no. 3(62). http://studiamedioznawcze.pl/article.php?date=2015_3_62&content=gogolek&lang=en 7. Gogołek W., i inni,, Z badań nad systemem rafinacji sieciowej Identyfikacja sentymentów, Studia Medioznawcze Media Studies 4 (67) 2016. http://studiamedioznawcze.pl/article.php?date=2016_4_67&content=gogolek&lang=pl 8. Gogołek W. i inni, Rafinacja informacji sieciowych na przykładzie wyborów parlamentarnych. Część 2. Portale internetowe, konteksty medialne i merytoryczne, Studia Medioznawcze nr 3(54) 2013, Instytut Dziennikarstwa UW, Warszawa 2013, s. 153 - 161. http://studiamedioznawcze.pl/Numery/2013_3_54/pelny.pdf 9. Gogołek W., i inni, Media Studies: Refining Network Information on the Example of Parliamentary Elections. Part 1. Blogs, Forums, Sentiment Analysis, 2012, no. 2(53) http://studiamedioznawcze.pl/article.php?date=2013_2_53&content=gogolek&lang=en. 10. Gogołek W., i inni, Refining Network Information on the Example of Parliamentary Elections. Part 2, Internet Portals, Media and Content, 2012, no 3(53) http://studiamedioznawcze.pl/article.php?date=2013_3_54&content=gogolek&lang=en. 11. Mayer-Schonberger, V., & Cukier, K. (2017). Big Data, Rewolucja która zmieni nasze myślenie pracę i życie. Warszawa: MT Biznes. 12. PwC. (2018). Perspektywy Rozwoju Branży Rozrywki I Mediów W Polsce 2018-2022. Link https://www.pwc.pl/pl/pdf/publikacje/2018/media-i-rozrywka-2018-raport-pwc.pdf. 13. Pruchnik, P., Identyfikacja trendów w polskich mediach na przykładzie kwartalnika „Studia Medioznawcze” (2019). Wykorzystanie narzędzi Big Data, Studia Medioznawcze, Warszawa 2019. Link https://studiamedioznawcze.eu/index.php/studiamedioznawcze/article/view/113/116 14. Silge, J., & Robinson, D. (2019). Text Mining with R A Tidy Approach. Link z https://www.tidytextmining.com/. |
Uwagi
|
W cyklu 2023L:
- |
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: