Wykłady

1. Wykład 1 – Wprowadzenie do analizy i eksploracji danych
2. Wykład 2 – Zbiory danych, próby i statystyki
3. Wykład 3 – Testy statystyczne i CTG
4. Wykład 4 – Korelacja, regresja liniowa i tabele krzyżowe
5. Wykład 5 – Analiza tabel krzyżowych
6. Wykład 6 – Selekcja zmiennych w modelu
7. Wykład 7 – Walidacja krzyżowa
8. Wykład 8A – Błąd, wariancja i obciążenie modelu
9. Wykład 8B – Klasyfikacja
10. Wykład 9 – Metody klasyfikacji: naiwny Bayes i drzewa decyzyjne
11. Wykład 10 – Metody bazujące na drzewach decyzyjnych: reguły decyzyjne i lasy losowe
12. Wykład 11 – Metody bazujące na odległości
13. Wykład 12 – Wybrane metody klasteryzacji
14. Wykład 13 – Reguły asocjacyjne- analiza koszykowa
15. Wykład 14 – Metoda algebraiczna – PCA
16. Przykładowe zadanie na kolokwium końcowe
17. Przykładowe sprawozdanie

Projekt

• KNIME kurs e-learningowy „Introductory Course to Data Science”
• Projekt jest 2-3 osobowy i polega na wyborze jednej z trzech grup metod: regresja, klasyfikacja lub klasteryzacja/grupowanie.
  • przykładowe zbiory danych: iris (opis, klasyfikacja lub klasteryzacja), mtcars (opis, regresja), imports-85 (opis, regresja, klasyfikacja lub klasteryzacja), dressify (opis, klasyfikacja lub klasteryzacja), mushrooms (opis, klasyfikacja), adult  (opis, klasyfikacja lub klasteryzacja)
  • nowe zbiory danych z wizualizacją poprawnego przypisania do klas – łatwiejsze dla zadania klasteryzacji/grupowania
  • przykładowy projekt regresja
  • przykładowy projekt klasyfikacja
  • przykładowy projekt klasteryzacja/grupowanie
  • Projekt tutorial regresja
  • Projekt rekomendacja sukienek, zbiór danych (klasyfikacja)
  • projekty zip należy wypakować do katalogu knime-workspace, np. C:\Users\Robert\knime-workspace
• Każdy z projektów powinien wykorzystywać co najmniej 3 różne metody z danej grupy i 3 różne zbiory danych.  Przykładowa strona ze zbiorami danych: UCI Machine Learning Repository
• Projekt ma się składać z porównania co najmniej trzech algorytmów na co najmniej trzech różnych zbiorach danych (co najmniej 9 wyników).
• Do każdego projektu należy sporządzić krótki raport (2-4 strony wraz z obrazkami, wykresami, tabelami) zawierający: jakie algorytmy/moduły zostały wykorzystane w projekcie, opis zbiorów danych, wyniki badań (porównanie dla różnych zestawów parametrów algorytmów i zbiorów danych) oraz z jakich źródeł się skorzystało.
• Projekt zalecam zrobić w KNIME Analytics Platform,  chociaż można w innym narzędziu. Przykłady są w książce Guide to Intelligent Data Analysis dostępnej przez SPRINGER link na terenie UKSW. Wersja knime_3.5.0.win32.win32.x86_64.zip