Cel ogólny:

wyposażenie Słuchaczy w zaawansowaną wiedzę i umiejętności analityczne z zakresu statystyki i analizy danych.

Cele szczegółowe:

• zapoznanie Słuchaczy z podstawowymi oraz zaawansowanymi miarami statystycznymi do opisywania danych, w tym miarami położenia (średnia, mediana, moda) i rozrzutu (wariancja, odchylenie standardowe), a także bardziej zaawansowanymi miarami jak entropia i współczynnik Giniego,
• poznanie metod analizy zależności między cechami za pomocą różnych technik statystycznych, takich jak korelacja liniowa, korelacja rang oraz bardziej zaawansowane metody, jak współczynnik Goodman-Kruskala i krzywe ROC,
• opanowanie umiejętności estymacji gęstości i modelowania rozkładów przy użyciu metod, takich jak histogramy i estymatory jądrowe,
• kształtowanie umiejętności redukcji wymiarowości danych przez techniki, takie jak analiza składowych głównych (PCA) i skalowanie wielowymiarowe, umożliwiające lepsze zrozumienie struktury danych i ułatwiające dalszą analizę,
• zapoznanie Słuchaczy z technikami klasteryzacji danych za pomocą różnych metod, od technik relokacyjnych (k-średnich) do metod hierarchicznych i opartych na modelach statystycznych, co pozwoli na identyfikację naturalnych grup w danych,
• opracowanie metod radzenia sobie z obserwacjami odstającymi i brakującymi danymi, co jest kluczowe w praktycznych zastosowaniach analizy danych,
• opanowanie umiejętności predykcji i klasyfikacji przy użyciu metod statystycznych i uczenia maszynowego, w tym regresji liniowej, analizy dyskryminacyjnej, regresji logistycznej oraz nielinearnych metod, jak maszyny wektorów nośnych i drzewa decyzyjne,
• kształtowanie umiejętności oceny skuteczności modeli poprzez techniki, takie jak kroswalidacja, testy permutacyjne oraz metoda bootstrap.

Kurs przygotowuje Słuchaczy do samodzielnej analizy danych i interpretacji wyników, rozwija zdolności krytycznego myślenia statystycznego oraz umożliwia efektywne stosowanie technik statystycznych i analitycznych w różnorodnych kontekstach zawodowych i badawczych.

Korzyści dla słuchacza:

Słuchacz zna:

• podstawowe oraz zaawansowane miary statystyczne do opisywania danych, w tym miary położenia (średnia, mediana, moda) i rozrzutu (wariancja, odchylenie standardowe), a także bardziej zaawansowane miary, jak entropia i współczynnik Giniego,
• różne metody statystyczne do analizy zależności między zmiennymi, takie jak korelacja liniowa, korelacja rang, współczynnik Goodman-Kruskala oraz krzywe ROC,
• techniki estymacji gęstości i modelowania rozkładów przy użyciu metod, takich jak histogramy i estymatory jądrowe,
• techniki redukcji wymiarowości danych, takie jak analiza składowych głównych (PCA) i skalowanie wielowymiarowe,
• różne metody klasteryzacji danych, od metod relokacyjnych (k-średnich) po metody hierarchiczne i oparte na modelach statystycznych,
• metody radzenia sobie z obserwacjami odstającymi i brakującymi danymi,
• metody predykcji i klasyfikacji przy użyciu technik statystycznych i uczenia maszynowego, takich jak regresja liniowa, analiza dyskryminacyjna, regresja logistyczna oraz nielinearne metody, jak maszyny wektorów nośnych i drzewa decyzyjne,
• techniki oceny skuteczności modeli, takie jak kroswalidacja, testy permutacyjne oraz metoda bootstrap.

Słuchacz umie:

• stosować miary położenia i rozrzutu do opisywania i interpretowania danych,
• wykorzystywać różne metody statystyczne do analizy zależności między zmiennymi,
• przeprowadzać estymację gęstości i modelowanie rozkładów przy użyciu histogramów i estymatorów jądrowych,
• redukować wymiarowość danych przy użyciu PCA i skalowania wielowymiarowego w celu lepszego zrozumienia struktury danych,
• klasteryzować dane za pomocą różnych technik, identyfikując naturalne grupy w danych,
• opracowywać i wdrażać metody radzenia sobie z obserwacjami odstającymi i brakującymi danymi,
• przewidywać i klasyfikować dane przy użyciu metod statystycznych i technik uczenia maszynowego,
• ocenić skuteczność modeli za pomocą kroswalidacji, testów permutacyjnych oraz metody bootstrap.

Słuchacz potrafi:

• samodzielnie analizować i interpretować dane, wykorzystując zdobyte umiejętności,
• krytycznie myśleć o statystyce i analizie danych, podejmując świadome decyzje oparte na analizie statystycznej,
• efektywnie stosować techniki statystyczne i analityczne w różnorodnych kontekstach zawodowych i badawczych,
• przeprowadzać zaawansowane analizy danych i tworzyć modele predykcyjne i klasyfikacyjne,
• ocenić i poprawiać skuteczność modeli w praktycznych zastosowaniach analizy danych.

Metody pracy:

metody pracy na kursie statystyki i analizy danych będą opierały się na zastosowaniu praktycznych zadań, które pozwolą Słuchaczom stosować teoretyczną wiedzę w kontekście rzeczywistych danych:

• wykłady teoretyczne:

  • wprowadzenie do podstawowych i zaawansowanych pojęć statystycznych oraz technik analizy danych. Prezentacje multimedialne i materiały dydaktyczne dostępne online.

• praktyczne zajęcia komputerowe:

  • praca na rzeczywistych zestawach danych, umożliwiająca zastosowanie zdobytej wiedzy w praktyce,
  • korzystanie z Google Colab, co pozwala na dostęp do zaawansowanego środowiska obliczeniowego bez potrzeby instalacji dodatkowego oprogramowania,
  • wykorzystanie bibliotek statystycznych Pythona, takich jak NumPy, pandas, SciPy, statsmodels oraz bibliotek do wizualizacji danych, takich jak Matplotlib i Seaborn.

Metody weryfikacji efektów kształcenia:

egzamin końcowy podczas kursu będzie składał się z dwóch głównych części:

• indywidualnego projektu analizy danych,
• prezentacji wyników.

Celem egzaminu jest ocena praktycznych umiejętności Słuchaczy w zakresie analizy danych, interpretacji wyników oraz zdolności do komunikowania swoich wniosków w sposób klarowny i przekonujący.