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