Sylabus - Kognitywistyka
Transkrypt
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