Opis efektów kształcenia dla modułu zajęć
Transkrypt
Opis efektów kształcenia dla modułu zajęć
Nazwa modułu: Rok akademicki: Wydział: Kierunek: Metody komputerowe w medycynie 2014/2015 Kod: MIO-2-212-IO-s Punkty ECTS: 3 Inżynierii Metali i Informatyki Przemysłowej Inżynieria Obliczeniowa Poziom studiów: Specjalność: Studia II stopnia Język wykładowy: Polski Inżynieria obliczeniowa w technice Forma i tryb studiów: Profil kształcenia: Ogólnoakademicki (A) Stacjonarne Semestr: 2 Strona www: Osoba odpowiedzialna: Bobrzyński Wojciech ([email protected]) Osoby prowadzące: Bobrzyński Wojciech ([email protected]) Opis efektów kształcenia dla modułu zajęć Kod EKM Student, który zaliczył moduł zajęć wie/umie/potrafi Powiązania z EKK Sposób weryfikacji efektów kształcenia (forma zaliczeń) M_W001 ma wiedzę przydatną do przeprowadzenia złożonej analizy danych przy użyciu programu STATISTICA, i prezentowania uzyskanych wyników oraz wyciągania na ich podstawie wniosków IO2A_W01, IO2A_W03, IO2A_W04 Wykonanie ćwiczeń laboratoryjnych, Aktywność na zajęciach, Kolokwium, Prezentacja M_W002 ma wiedzę z zakresu wydobywania wiedzy z danych (data mining) oraz podstawy działania systemów ekspertowych w diagnostyce medycznej IO2A_W03, IO2A_W04 Kolokwium, Wykonanie ćwiczeń laboratoryjnych, Aktywność na zajęciach M_W003 ma uporządkowaną wiedzę w zakresie baz danych, hurtowni danych oraz oprogramowania dla data mining przydatną do rozwiązywanie zadań o różnym stopniu zaawansowania IO2A_W03, IO2A_W04, IO2A_W09 Kolokwium, Wykonanie ćwiczeń laboratoryjnych, Aktywność na zajęciach potrafi pozyskiwać informacje z literatury, Internetu oraz dokumentacji programów, a następnie inteligentnie je przetwarzać, wyciągać wnioski, a także formułować opinie IO2A_U01, IO2A_U07, IO2A_U14 Aktywność na zajęciach, Referat, Wykonanie ćwiczeń laboratoryjnych, Kolokwium Wiedza Umiejętności M_U001 1/6 Karta modułu - Metody komputerowe w medycynie M_U002 potrafi przeprowadzić analizę danych, zaprezentować wyniki zarówno w formie opisowej jak i graficznej oraz wyciągnąć na ich podstawie wnioski IO2A_U01, IO2A_U06, IO2A_U07 Aktywność na zajęciach, Wykonanie ćwiczeń laboratoryjnych M_U003 potrafi zastosować znaną metodologię (data mining) oraz używać wybranego oprogramowania baz danych do rozwiązywania problemów inżynierskich, medycznych oraz naukowo-badawczych IO2A_U07, IO2A_U09, IO2A_U14 Aktywność na zajęciach, Wykonanie ćwiczeń laboratoryjnych IO2A_K03 Aktywność na zajęciach, Udział w dyskusji, Zaangażowanie w pracę zespołu Kompetencje społeczne M_K001 potrafi pracować indywidualnie i w zespole Matryca efektów kształcenia w odniesieniu do form zajęć Konwersatori um Zajęcia seminaryjne Zajęcia praktyczne Zajęcia terenowe Zajęcia warsztatowe ma wiedzę przydatną do przeprowadzenia złożonej analizy danych przy użyciu programu STATISTICA, i prezentowania uzyskanych wyników oraz wyciągania na ich podstawie wniosków + - - - - - - - - - - M_W002 ma wiedzę z zakresu wydobywania wiedzy z danych (data mining) oraz podstawy działania systemów ekspertowych w diagnostyce medycznej + - - - - - - - - - - M_W003 ma uporządkowaną wiedzę w zakresie baz danych, hurtowni danych oraz oprogramowania dla data mining przydatną do rozwiązywanie zadań o różnym stopniu zaawansowania + - - - - - - - - - - potrafi pozyskiwać informacje z literatury, Internetu oraz dokumentacji programów, a następnie inteligentnie je przetwarzać, wyciągać wnioski, a także formułować opinie - - + - - - - - - - - E-learning Ćwiczenia projektowe M_W001 Inne Ćwiczenia laboratoryjne Forma zajęć Ćwiczenia audytoryjne Student, który zaliczył moduł zajęć wie/umie/potrafi Wykład Kod EKM Wiedza Umiejętności M_U001 2/6 Karta modułu - Metody komputerowe w medycynie M_U002 potrafi przeprowadzić analizę danych, zaprezentować wyniki zarówno w formie opisowej jak i graficznej oraz wyciągnąć na ich podstawie wnioski - - + - - - - - - - - M_U003 potrafi zastosować znaną metodologię (data mining) oraz używać wybranego oprogramowania baz danych do rozwiązywania problemów inżynierskich, medycznych oraz naukowo-badawczych - - + - - - - - - - - - - + - - - - - - - - Kompetencje społeczne M_K001 potrafi pracować indywidualnie i w zespole Treść modułu zajęć (program wykładów i pozostałych zajęć) Wykład 1. Typowe zastosowania i architektury systemów komputerowych. Bazy danych. Systemy wspomagania decyzji (DSS). Systemy ekspertowe, hurtownie danych i data mining. Zastosowania w medycynie. 2. Porównanie zadań hurtowni danych i data miting. Przetwarzanie OLTP i OLAP. Architektura hurtowni danych. Operacje na danych hurtowni. Hurtownie danych kliniczne i bioinformatyczne. – 2 godz. 3. Wprowadzenie do data mining – techniki i metody. Data mining jako proces odkrywania wiedzy. Cele data Mining – przewidywanie, identyfikacja, klasyfikacja i optymalizacja. Eksploracyjna analiza danych (EDA). Metodologia przeprowadzania data mining. Zastosowanie Data mining w medycynie i ochronie zdrowia– 2 godz. 4. Klasyfikacja. Hierarchia klasyfikacji. Metoda K – najbliższych sąsiadów. Wzorce sekwencyjne. Modelowanie regresyjne. Regresja wielowymiarowa i tworzenie modelu. Przykłady. Dobroć dopasowania, klasyfikacji i predykcji. – 2 godz. 5. Analiza skupień uogólnioną metodą EM i k-średnich. Drzewa decyzyjne. Reguły asocjacji. Analiza koszykowa. Metody tworzenia modelu. Proces uczenia modelu. Wdrażanie modelu. Zastosowania data mining do odkrywania wiedzy w nauce, biznesie i w ochronie zdrowia. – 2 godz. 5. Narzędzia programowe do wykonywania data mining. Data Miner STATISTICA. Przestrzenie robocze. Przykłady. Kostki, przekroje i drążenie danych. Zarządzanie środowiskiem pracy. Przykłady zastosowań programu STATISTICA w medycynie.– 2 godz. 6. Metody sztucznej inteligencji a systemy ekspertowe. Architektura systemów ekspertowych, baza wiedzy, metody reprezentacji wiedzy, maszyna wnioskowania, metody poszukiwań, interface użytkownika, wyjaśnianie decyzji i uczenie systemów. – 2 godz. 7. Strategie wnioskowania w systemach ekspertowych. Reprezentacja niepewności. Narzędzia tworzenia i rozwoju systemów ekspertowych. Systemy szkieletowe. Inżynieria wiedzy. Przykłady systemów ekspertowych w medycynie. – 2 godz. 8. Charakterystyka baz danych, cechy systemu zarządzania bazą danych. Relacyjne bazy danych. Logiczna i fizyczna reprezentacja danych. Bezpieczeństwo bazy danych. 3/6 Karta modułu - Metody komputerowe w medycynie Szpitalne Systemy Informacyjne. –2 godz. 9. Definicja modelu relacyjnego. Algebra relacyjna i rachunek relacyjny. Przykłady zapytań w języku relacyjnej algebry. Normalizacja schematów logicznych. Zależności funkcyjne w procesie normalizacji. Postacie normalne. – 2 godz. 10. Wprowadzenie do języka SQL. Grupy poleceń SQL. Język manipulowania danych (DML) – wstawianie, modyfikowanie i usuwanie danych z tabel. Wyszukiwanie informacji. Łączenie tabel. Połączenia równościowe, nierównościowe, połączenia zewnętrzne. Widoki – 2 godz. 11. Tworzenie i rozwój bazy danych. Projektowanie systemów informacyjnych a projektowanie baz danych. Metody projektowania. – 2 godz. Ćwiczenia laboratoryjne 1. Regresja wieloraka, regresja krokowa i regresja linearyzowana – 2 godz. Efekty kształcenia: Student - rozumie na czym polega analiza regresji i jakie są ograniczenia jej stosowania, - potrafi prawidłowo zinterpretować otrzymane wyniki, - potrafi wykonać obliczenia przy pomocy programu STAISTICA, - potrafi tworzyć modele dla danych statystycznych, - rozumie na czym polega różnica podejścia do analizy regresji wielorakiej w statystyce i w Data Mining, - rozumie co to jest regresja krokowa i regresja linearyzowana, - rozumie co to jest model niedouczony, a co to model przeuczony. 2. Analiza sekwencji, asocjacji i połączeń – 2 godz. Efekty kształcenia: - rozumie na czym polegają analizy sekwencji asocjacji i połączeń, - potrafi wyjaśnić różnice i podobieństwa pomiędzy nimi, - potrafi prawidłowo zinterpretować otrzymane wyniki, - potrafi wykonać obliczenia przy pomocy programu STAISTICA, - rozumie co to jest próba ucząca, testowa i walidacyjna. 3. Analiza skupień – 2 godz. Efekty kształcenia: Student - rozumie na czym polega analiza skupień uogólnioną metodą EM i k-średnich, - potrafi prawidłowo zinterpretować otrzymane wyniki, - potrafi wykonać obliczenia przy pomocy programu STAISTICA. 4. Drzewa klasyfikacyjne i regresyjne– 2 godz. Efekty kształcenia: Student - zna różne rodzaje drzew klasyfikacyjnych, - rozumie jakie mogą być zastosowania drzew klasyfikacyjnych, - rozumie na czym polega uczenie się modelu, - wie na czym polegają wzmacniane drzewa klasyfikacyjne, - potrafi wykonać obliczenia przy pomocy programu STAISTICA. 5. Przykład przepisu STATISTICA Data Miner – 2 godz. Efekty kształcenia: Student -rozumie na czym polega predykcyjny data mining, -potrafi wykonać prosty projekt data mining tworzący standardowe raporty i podsumowania, - rozumie na czym polega czyszczenie i filtrowanie danych oraz potrafi je wykonać w STATISTICA Data Miner, 4/6 Karta modułu - Metody komputerowe w medycynie -potrafi wykonać przekształcenia danych, -potrafi przy pomocy STATISTICA Data Miner znajdować wśród wszystkich cech te, które rzeczywiście wpływają na zmienna zależną. 6. STATISTICA Data Miner – 2 godz. Efekty kształcenia; Student - potrafi wykonać graficzny Data mining i potrafi prawidłowo zinterpretować jego wyniki, - rozumie na czym polega zgłębianie danych w STATISTICA, - umie wykonać predykcyjny data mining z wdrożeniem dla ilościowych zmiennych zależnych, – umie wykonać predykcyjny data mining dla jakościowych zmiennych zależnych (klasyfikacja), - potrafi tworzyć zestawy modeli z wykorzystaniem różnych narzędzi zgłębiania danych, - potrafi wykonać porównawczą ocenę modeli w celu znalezienia najlepszego z nich, - potrafi wdrożyć modele w celu wyznaczenia przewidywanych wartości dla nowych danych, 7. Przygotowanie opracowania dotyczącego wybranego zastosowania data mining w nauce, technice lub badaniach medycznych – 3 godz. Efekty kształcenia Student: - potrafi prześledzić w literaturze wybrane zagadnienie Data mining i przedstawić w sposób krytyczny opisywane wyniki. 8. Tworzenie baz danych przy pomocy programu ACCESS – 6 godz. Efekty kształcenia Wyszukiwanie, filtrowanie i formatowanie danych. Praca z tabelami i polami. Tworzenie relacji w bazach danych. Kwerendy – różne typy: wybierające, parametryczne, krzyżowe, akcji. QBE. Zaawansowane kwerendy wybierające. Złożone kryteria. Kwerendy o złożonych kryteriach, kwerendy wielotabelowe. Tworzenie pól obliczeniowych Kwerendy parametryczne. Formularze: podstawowe, kolumnowe, tabelaryczne, z arkuszami danych, złożone z podformularzami. Filtrowanie rekordów w formularzach. Raporty: proste i złożone. Makra. Wbudowane funkcje. Tworzenie menu. SQL dla MS ACCESS. Efekty kształcenia: Student - potrafi wykonać prostą relacyjną bazę danych, - rozumie na czym polega projektowanie bazy danych, - rozumie mechanizmy systemu zarządzania bazą danych, - potrafi wykonywać operacje na danych w bazie, - rozumie mechanizmy ochrony bazy danych, - rozumie polecenia jęz. SQL dla MS ACCESS, - rozumie na czym polega normalizacja bazy danych. 9. Programy użytkowe dla wykonywania obliczeń i dla diagnostyki – 2 godz. Zastosowanie szkieletowego systemu ekspertowego z probabilistyczną reprezentacją bazy wiedzy dla zadań diagnostyki medycznej. Efekty kształcenia: Student: - potrafi wyjaśnić, na czym polega działanie systemu ekspertowego, - rozumie jak tworzony jest system ekspertowy w oparciu o system szkieletowy. - rozumie jak tworzona jest baza wiedzy systemu ekspertowego. 5/6 Karta modułu - Metody komputerowe w medycynie Sposób obliczania oceny końcowej Ocena końcowa jest średnią oceną z ocen ćwiczeń laboratoryjnych Wymagania wstępne i dodatkowe • Znajomość podstaw informatyki i obsługi komputerów • Znajomość podstaw statystyki Zalecana literatura i pomoce naukowe • • • • • • • Podręcznik elektroniczny programu STATISTICA (licencja dla każdego studenta AGH) Date C.J., Wprowadzenie do systemów baz danych, WNT, Warszawa, 2000 Kowalski P., Podstawowe zagadnienia baz danych i procesów przetwarzania, Warszawa 2005 Królikowski Z., Hurtownie danych, Wyd. Politechniki Poznańskiej, Poznań 2007 Larose D.T., Odkrywanie wiedzy z danych, PWN, Warszawa 2006 Mulawka J., Systemy ekspertowe, WNT, Warszawa 1997 Dokumentacja programu MS Access Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu http://www.bpp.agh.edu.pl/ Informacje dodatkowe Zajęcia laboratoryjne z przedmiotu powinny się rozpoczynać, co najmniej cztery tygodnie po pierwszym wykładzie Nakład pracy studenta (bilans punktów ECTS) Forma aktywności studenta Obciążenie studenta Samodzielne studiowanie tematyki zajęć 10 godz Udział w wykładach 22 godz Udział w ćwiczeniach laboratoryjnych 23 godz Przygotowanie do zajęć 25 godz Sumaryczne obciążenie pracą studenta 80 godz Punkty ECTS za moduł 3 ECTS 6/6