Uniwersytet Warszawski, Wydział Nauk Ekonomicznych - Centralny System Uwierzytelniania
Strona główna

Review of Data Mining methods (in SAS Viya)

Informacje ogólne

Kod przedmiotu: 2400-ZEWW905
Kod Erasmus / ISCED: 14.3 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. / (0311) Ekonomia Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Review of Data Mining methods (in SAS Viya)
Jednostka: Wydział Nauk Ekonomicznych
Grupy: Przedmioty wyboru kierunkowego dla studiów licencjackich MSEM
Przedmioty wyboru kierunkowego dla studiów licencjackich MSEMen
Punkty ECTS i inne: 3.00 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: angielski
Rodzaj przedmiotu:

nieobowiązkowe

Skrócony opis: (tylko po angielsku)

The aim of the course is to provide students with a review of Data Mining methods enabling them to discover the unknown relationships (regularities, patterns, trends) between data. In economic research, they are used for forecasting, classifying, creating clusters of objects, regression or discrimination analyses, and discovering associations and sequences of events.

Examples of applications include: analysis and assessment of banking clients, forecasting share prices and portfolio profitability, predicting company bankruptcies, marketing research, and detecting computer crimes. Individual methods will be discussed and their applications presented. In the practical part, students will perform analyses using the Sas Viya online application.

Pełny opis: (tylko po angielsku)

During seminars the following essential problems for Data Mining analysis will be considered:

1. Initial data analysis: qualitative data analysis methods, quantitative data analysis methods.

Fuzzy sets and rough sets.

2. Discriminant analysis. Logistic regression. Factor analysis and principal component analysis.

3. Classification and regression trees. Generating fuzzy rules.

4. Cluster analysis. Fuzzy method of cluster analysis. Muti-layer undirectional neural networks. Kohonen neural networks.

5. Genetic algorithms. Chaos theory. Correspondence analysis.

6. Methodology of the SEMMA data mining process. Data mining tools that support the analysis at respective SEMMA stages. Stages in the SEMMA methodology and the structure of data analysis diagrams. General rules for creating a diagram.

7. Preparing data for data mining. Initial analysis of input data. Conducting variable transformations. Solutions for the problem of missing values. Variable selection. Using the Tree Node to determine variables. Selecting variables for the Regression Node.

8. Forecasting methods. Logistic regression, decision trees and neural networks - modelling standards and the analysis of outcomes (default settings of the application). The assessment of forecast accuracy. Generating project reports. Setting parameters and adjusting models for a forecast: logistic regression, decision trees, gradient boosting, random forests and neural networks.

9. Association analysis.

Literatura: (tylko po angielsku)

Maimon O., Rokach L.(eds.), Data Mining and Knowledge Discovery Handbook, Springer Science+Business Media Inc., New York 2005.

Taniar D. (ed.), Data Mining and Knowledge Discovery Technologies, IGI Global 2008.

Witten I.H., Frank E., Hall M.A., Data Mining. Practical Machine Learning. Tools and Techniques, Morgan Kaufmann - Elsevier, 2011.

Ye N. (ed.), The Handbook of Data Mining, Lawrence Erlbaum AssociatesInc. Publishers, ISBN 0-8058-4081-8, New Jersey 2003.

Efekty uczenia się: (tylko po angielsku)

After completion of the course students should possess competence in Data Mining analysis using Data Mining models and methods and have the knowledge how to use SAS Viya software

Tuition outcomes:

1) Knowledge

Student has understanding of available Data Mining methods and techniques and knows how to use them for purpose of economic researches.

2) Skills

Student can choose and put to use appropriate methods and techniques for specific applications, if necessary, is able to modify (adapt) the methods and techniques to make them the most efficient and effective when carrying out given case studies.

3) Social competences

Student is aware of the possibilities and advantages of data mining methods and techniques in economic research and the benefits that can be obtained through their use, but also aware of the defects and the limited usefulness of these methods and techniques.

KW01, KW02, KW03, KU01, KU02, KU03, KK01, KK02, KK03

Metody i kryteria oceniania: (tylko po angielsku)

Presence during classes is required. The condition to obtain a credit is to prepare and present a review of scientific article using one of methods discussed during the classes (50% of the grade) and complete homeworks (50% of the grade).

Zajęcia w cyklu "Semestr letni 2023/24" (zakończony)

Okres: 2024-02-19 - 2024-06-16
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Konwersatorium, 30 godzin więcej informacji
Koordynatorzy: Anna Lewczuk
Prowadzący grup: Anna Lewczuk
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Konwersatorium - Zaliczenie na ocenę
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski, Wydział Nauk Ekonomicznych.
ul. Długa 44/50
00-241 Warszawa
tel: +48 22 55 49 126 https://www.wne.uw.edu.pl/
kontakt deklaracja dostępności mapa serwisu USOSweb 7.0.4.0-3 (2024-06-10)