Uniwersytet Warszawski, Wydział Nauk Ekonomicznych - Centralny System Uwierzytelniania

Systemy decyzyjne

Informacje ogólne

Kod przedmiotu:	1000-135SYD
Kod Erasmus / ISCED:	11.413 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0613) Tworzenie i analiza oprogramowania i aplikacji Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu:	Systemy decyzyjne
Jednostka:	Wydział Matematyki, Informatyki i Mechaniki
Grupy:	Przedmioty fakultatywne dla studiów 1 stopnia na matematyce
Strona przedmiotu:	https://www.mimuw.edu.pl/~son/sysdec/
Punkty ECTS i inne:	6.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS: roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS; tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h; 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się; tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS; nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta. zobacz reguły punktacji
Język prowadzenia:	polski
Rodzaj przedmiotu:	fakultatywne języki obce
Założenia (opisowo):	Posiadanie podstawową umiejętność programowania w jednym z języków programowania: Java, C++, Python, R, Matlab, ...
Tryb prowadzenia:	lektura monograficzna mieszany: w sali i zdalnie
Skrócony opis:	Przegląd metod klasyfikacji i intelegentne wspomagania podejmowania decyzji na podstawie niepełnych i niepewnych informacji. Przedstawione będą metody pochodzące z różnych dziedzin, takich jak uczenie maszynowe, statystyka, teoria zbiorów rozmytych, teoria zbiorów przybliżonych. Przewidziane są zajęcia praktyczne z systemami wspomagania decyzji oraz projekty do samodzielnych rozwiązań.
Pełny opis:	Pojęcia nieostre: podstawy logiczne, statystyczne i algorytmiczne. Porównanie różnych podejść do opisu pojęć nieostrych. Nierozróżnialność obiektów, aproksymacja pojęć, zbiory przybliżone. Zależności atrybutów, reguły decyzyjne. Obszar pozytywny. Entropia i entropia warunkowa. Funkcje boolowskie i wnioskowanie boolowskie w wyznaczaniu reduktów dla: systemów informacyjnych i decyzyjnych, reguł decyzyjnych i asocjacyjnych, dyskretyzacji oraz grupowania wartości symbolicznych. Złożoność obliczeniowa wyznaczania reduktów optymalnych, heurystyki. Klasyfikatory i metody ich konstruowania. Ocena jakości i wiarygodności reduktów, reguł decyzyjnych i klasyfikatorów we wnioskowaniu indukcyjnym. Zasada minimalnego opisu. Zastosowania. Elementy teoretycznych podstaw uczenia się pojęć z danych. Algorytmy aproksymacyjnie poprawne (PAC algorytmy). Wymiar Vapnika-Chervonenkisa, przykłady wyznaczania wymiaru, podstawowe własności. Zasadnicze twierdzenie o wyuczalności pojęć. Oszacowania rozmiaru zbioru treningowego niezbędnego dla zapewnienia zadanej jakości algorytmu PAC. Praca z dostępnymi systemami (np. RSES: logic.mimuw.edu.pl, WEKA: www.cs.waikato.ac.nz/ml/weka/, SAT: www.satlib.org/), wykonanie projektu analizy danych rzeczywistych. (w ramach laboratorium)
Literatura:	Intelligent Decision Support Systems Applications in Signal Processing. Ed. by Borra, Surekha / Dey, Nilanjan / Bhattacharyya, Siddhartha / Bouhlel, Mohamed Salim, DeGruyter, 2019. Power, D.J. A Brief History of Decision Support Systems, DSSResources.COM, World Wide Web, version 4.0, March 10, 2007. M. Anthony, N. Biggs, Computational learning theory. Cambridge University Press, Cambridge 1992 E.M. Brown. Boolean Reasoning. Kluwer Acad. Publ., Dordrecht 1990 R.O. Duda, P.E. Hart, D. Stork. Pattern classification. John Wiley and Sons, 2001 S. Russell, P. Norvig. AI: Modern approach. Prentice Hall, Englewood Cliffs, New Jersey, 2003 L. Polkowski, A. Skowron (eds.) Rough Sets in Knowledge Discovery. Physica-Verlag, Heidelberg, 1998.
Efekty uczenia się:	Studenci, po zaliczeniu kursu, powinien dobrze znać podstawowe techniki stucznej inteligencji i ich zastosowania w systemach wspomagania podejmowania decyzji,w szczególności metody stworzenia klasyfikatorów z danych oraz techniki oceniania tych klasyfikatorów.
Metody i kryteria oceniania:	2 projekty praktyczne (50%) i egzamin (50%). Aby przystąpić do egzaminu w terminie zerowym, należy uzyskać co najmniej 80% punktów za oba projekty na 2 tygodnie przed zakończeniem semestru.

Zajęcia w cyklu "Semestr zimowy 2022/23" (zakończony)

Okres:	2022-10-01 - 2023-01-29	Wybrany podział planu: ten tydzień cykl przedmiotu zobacz plan zajęć
Typ zajęć:	Ćwiczenia, 15 godzin więcej informacji Laboratorium, 15 godzin więcej informacji Wykład, 30 godzin więcej informacji
Koordynatorzy:	Hung Son Nguyen
Prowadzący grup:	Andrzej Janusz, Hung Son Nguyen
Lista studentów:	(nie masz dostępu)
Zaliczenie:	Przedmiot - Egzamin Wykład - Egzamin

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski, Wydział Nauk Ekonomicznych.