Rafinacja Informacji 2700-M-ZBD-D2RI
Przedmiot dotyczy informacji cyfrowych i ich gromadzenia. Studenci zapoznają się z identyfikacją dostępnych źródeł informacji. Główna uwaga skierowana będzie w stronę Big Data i wartość ukrytej w tego rodzaju zasobach. Studenci zapoznają się z rafinacją informacji – metodą pozyskiwania informacji. Przedmiot obejmuje również: identyfikację sentymentów, modele badanych zjawisk i modele predykcji. Zastosowanie mają narzędzia takie jak wyrażenia regularne czy dzielenie łańcuchów. W ramach przedmiotu przedstawione zostaną analizy przypadków, a w tym wyniki rafinacji informacji oraz praktycznych aspektów rafinacji danych z uwzględnieniem ich czyszczenia.
Przedmiot realizowany w formie wykładów i ćwiczeń.
Rodzaj przedmiotu
Koordynatorzy przedmiotu
Efekty kształcenia
Po ukończeniu przedmiotu student:
Wiedza
- wie na czym polega rafinacja informacji,
- wie jak szukać wartościowych informacji z dziedziny nauki, biznesu, polityki, mediów i innych obszarów działalności człowieka.
- zna metody rafinacji dla danych ustrukturyzowanych i nieustrukturyzowanych,
- zostaje zapoznany z przykładowymi studiami przypadków rafinacji danych,
Umiejętności
- posiada wiedzę niezbędną w zakresie rafinacji danych, itd.,
- posiada umiejętność konstruowania wyrażeń regularnych,
- potrafi dobrać oprogramowanie do rafinacji danych ze stron internetowych i innych źródeł danych,
Inne kompetencje
- student posiada kompetencje w zakresie badania i rafinowania szerokiego spektrum surowych informacji. Przedmiotowe kompetencje mogą być przydatne w badaniach
naukowych, zespołach analitycznych, podmiotach biznesowych przetwarzających duże zbiory danych ustrukturyzowanych i nieustrukturyzowanych.
Kryteria oceniania
Zaliczenie wykładów na ocenę – projekt
Zaliczenie ćwiczeń – na ocenę - bieżąca ocena pracy studenta.
Ocena końcowa stanowi średnią ważoną:
60% - ocena projektu,
30% - aktywność na zajęciach,
10% - obecność.
Literatura
Primary Literature
• Bowles M., “Machine Learning in Python. Essential Techniques for Predictive Analysis”, Wiley, 2015
• Breiman L., “Statistical Modeling: The Two Cultures“, Statistical Science, 2001, Vol. 16, No. 3, 199–231
• Brownlee J., “Deep Learning for Natural Language Processing”, MLM, 2017
• Dinsmore T., “Disruptive Analytics, Charting Your Strategy for Next-Generation Business Analytics”,Springer 2016
• Goodfellow I., Bengio Y.,Courville A.,”Deep Learning” MIT Press, 2018
• Ed. Leonelli S., Tempini N., “Data Journeys in the Sciences”, Springer (open), 2020
• Ed. Trovati M., Hill R., AnjumA., Zhu S., Liu L., “Big-Data Analytics and Cloud Computing. Theory, Algorithms and Applications”, Springer 2015
Secondary Literature
• Gogołek, W. „Technologie informacyjne mediów”. Warszawa: Oficyna Wydawnicza ASPRA-JR, 2006.
• Kleppmann, M., Walczak T., „Przetwarzanie danych w dużej skali: niezawodność, skalowalność i łatwość konsekwencji systemów”. Gliwice: Helion, 2018.
• Mayer-Schönberger, V., Cukier K., Głatki M.,. Big data: rewolucja, która zmieni nasze myślenie, pracę i życie”. Warszawa: MT Biznes, 2014.
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: