Sylabus - Kognitywistyka

Sylabus
Nazwa przedmiotu
(w j. polskim i angielskim)
Nazwisko i imię prowadzącego
(stopień i tytuł naukowy)
Zaawansowana analiza danych eksperymentalnych
Advanced analysis of experimental data
dr Veslava Osińska
Rok i semestr studiów
Wymiar godzin
Kod przedmiotu
Kod Erasmus
Liczba punktów ECTS
Język wykładowy
Forma zajęć
I rok UM, semestr zimowy
30
0951-K-S2-1-ZADE
Sposób zaliczenia końcowego
Zaliczenie na ocenę na podstawie ewaluacji projektu zaliczeniowego
Wymagania wstępne wobec studenta
Podstawowa znajomość obsługi arkuszy kalkulacyjnych, podstawowa znajomość oprogramowania
zorientowanego na statystyczną obróbkę danych.
Cel przedmiotu jest określony jako praktyczne zapoznanie się z elementami eksploracyjnej analizy
danych, jak również z metodami profesjonalnej wizualizacji wyników przy użyciu specjalistycznego
oprogramowania. Wiedza ta jest niezbędna w samodzielnym opracowaniu statystycznym wyników
badań empirycznych.
Skrócony opis przedmiotu
Pełny opis przedmiotu
6
polski
ćwiczenia
Zajęcia mają za zadanie przekazanie studentom praktycznej wiedzy jak umiejętnie zarządzać
dużymi, wielowymiarowymi zbiorami danych oraz jakie stosować metody analizy wizualnej do
wydajnej eksploracji wyników.
W samodzielnym opracowaniu statystycznym wyników badań empirycznych (ankiet,
kwestionariuszy, formularzy) niezbędne są umiejętności: obróbki statystycznej danych, fachowej
prezentacji, interpretacji i formułowania wniosków. Tych umiejętności dostarcza poniższy
przedmiot, zaplanowany zarówno na przekazanie wiedzy teoretycznej, tak i praktyczną
implementację rachunku prawdopodobieństwa w serii przygotowanych ćwiczeń za pomocą
wyspecjalizowanych narzędzi sieciowych oraz pakietu SPSS.
Podczas teoretycznego omawiania zagadnień wprowadzana jest fachowa terminologia. Na etapie
końcowym studenci uczą się efektywnej wizualizacji wyników badań przy wykorzystaniu
sieciowych narzędzi Open Source.
Studenci ćwiczą z narzędziami do zarządzania danymi, analiz statystycznej i eksploracyjnowizualnej, za pomocą których będą mogli:
- zbierać i opracowywać materiał empiryczny,
- grupować i filtrować dane, używając relacyjnych baz danych,
- przeprowadzać podstawową analizę statystyczną danych,
- przeprowadzić zaawansowane testy statystyczne,
- przeprowadzać eksploracyjną analizę danych,
- formułować poprawne wnioski,
- prezentować wyniki w ujęciu ich praktycznego wykorzystania.
Zakres tematów (bloki tematyczne)
Treści materiału zawierają następujące bloki tematyczne:
1.
Obróbka danych i wizualizacja w arkuszach kalkulacyjnych: typy danych, formaty
importu/eksportu danych tekstowych, podstawowe funkcje do przetwarzania danych
numerycznych i tekstowych.
2.
Relacyjne bazy danych: pojęcia, definicje, przykłady, projektowanie tabel i relacji. Obiekty,
struktura, typy danych, formularze, raporty. Projekt własnej relacyjnej bazy danych i
wizualizacja diagramu relacji.
3.
Podstawowe miary statystyczne. Rozkład normalny. Błędy statystyczne, wariancja, średnie i
mediany. Histogram. Przedział ufności. Interfejs SPSS. Zmienne badane zależne i niezależne.
Test normalności rozkładu. Stawianie i testowanie hipotez badawczych. Hipotezy zerowe i
alternatywne. Prawdopodobieństwo wartości losowej. Poziom ufności w badaniu.
Literatura
(Obowiązkowa, ponadobowiązkowa)
4.
Elementy analizy eksploracyjnej: PCA, wykres współrzędnych równoległych, metody
wizualizacji. Sieciowe narzędzia do wizualnej analizy danych. Wybór właściwego narzędzia
dopasowanego do formatu i specyfikacji danych eksperymentalnych.
5.
Metodologia badań eksperymentalnych w neuronaukach. Metody nieliniowe w analizie danych
eksperymentalnych.
Podstawowa:
M. Kopertowska-Tomczak. Bazy danych. PWN, Warszawa, 2009.
M. J. Hernandez Bazy danych dla zwykłych śmiertelników. Mikom, Warszawa 2004.
Daniel T. Larose. Odkrywanie wiedzy z danych. PWN, Warszawa, 2006.
Ian Witten, Eibe Frank. Data Mining. ELSEVIER, 2005.
Tom Soukup, Jan Sorensen. Visual Data Mining: Techniques and Tools for Data Visualization
and Mining, WILEY, 2002.
6. A Hrynkiewicz. Fizyczne metody diagnostyki medycznej. PWN, Warszawa, 2002.
1.
2.
3.
4.
5.
Dodatkowa:
1. W. Osińska, G. Osiński. Technologia Informatyczna. UMK, Toruń, 2001.
2. Jack Cohen, Ian Stewart „The Collapse of Chaos” Penguin Groups 1995.c
Cele
c
(z punktu widzenia
nauczyciela)
1. Przedstawienie
metodologii analizy
danych uzyskanych w
Odniesienie
do
kierunkowy
ch
efektów
kształcenia
K_W05
Efekty kształcenia
Student ma uporządkowaną wiedzę na temat
metod statystyki opisowej w naukach
społecznych i humanistycznych.
Odniesienie
do
obszarowych
efektów
kształcenia
Metody i
środki
dydaktyczne
Kryteria i
forma oceny
X2A_W05
H2A_W04
Prezentacja w
formie
wykładu,
Praktyczne
zadanie
obliczeniowe na
podstawowych
doświadczeniach
stosowanych w
warsztacie naukowym
neuronauk.
2. Zapoznanie studentów
z planowaniem
etapów procesu
badawczego:
kolekcjonowaniem,
obróbką, analizą,
wizualizacją i
interpretacją danych.
Student zna podstawowe metody, techniki i
narzędzia stosowane przy przetwarzaniu
zasobów danych tekstowo-graficznych.
platformie
Moodle.
Prezentacja w
formie
wykładu,
dyskusja.
Wykonywanie
ćwiczeń w
trakcie zajęć.
Prezentacja
wzorowej
specjalistyczn
ej bazy
danych i jej
analiza.
Wykonanie
projektu własnej
relacyjnej bazy
danych
wyspecjalizowa
nej w zakresie
neuronauk.
H2A_U01
H2A_U06
K_U03
Student twórczo wykorzystuje wiedzę z
dyscyplin wchodzących w skład kognitywistyki
i metodologiczną w formułowaniu hipotez i
konstruowaniu krytycznych argumentacji
K_W06
Student/ka ma wiedzę i potrafi zaplanować X2A_W05
przeprowadzenie eksperymentu w oparciu o
analizę dużej ilości danych wieloparametrycznych w utworzonej wcześniej bazie danych.
K_U01
Potrafi również przeanalizować problem H2A_U01
badawczy i zastosować właściwą metodologię
analizy danych eksperymentalnych
3. Nauczenie studentów K_U02
praktycznej
umiejętności projektowania i zarządzania K_K02
bazą danych ekspertmenttalnych.
Student potrafi zgromadzić niezbędne dane
eksperymentalne.
Student umie zaprojektować relacyjną bazę
danych i zarządzać nią.
Student potrafi samodzielnie dobrać
odpowiednie narzędzie do profesjonalnego
przetworzenia danych wielowymiarowych.
H2A_U03
4. Zapoznanie studentów
z metodami
statystycznej i
Student potrafi dokonać samodzielnej analizy
statystycznej dużego zbioru danych oraz
dokonać.
Student umie interpretować wyniki badań
X2A_U02
K_U17
dyskusja.
H2A_K02
Prezentacja w Ćwiczenia.
formie
platformie
wykładu, seria Moodle
na
eksploracyjnej analizy
danych pomiarowych.
5. Nauczenie studentów
efektywnej,
profesjonalnej
wizualizacji wyników
eksperymentalnych.
stat.ystycznych.
X2A_K06
P2A_K06
K_K04
Student jest świadom wagi opisu statystycznego
badań empirycznych w zakresie nauk
kognitywnych.
K_U22
Student
potrafi
dokonać
przejrzystej P2A_U06
wizualizacji wyników pracy empirycznej, umie
dokonać
wyboru
właściwej
techniki
wizualizacyjnej w celu prezentacji wyników
określonej grupie docelowej.
X2A_K06
Student rozumie potrzebę fachowej interpretacji P2A_K06
wyników analizy statystycznej i przekazywania
społeczeństwu wiedzy o tym.
K_K04
zaplanowanych wspólnych
ćwiczeń,
dyskusja.
Prezentacja w Projekt
formie
zaliczeniowy.
wykładu,
dyskusja