pl | en

Statystyka zaawansowana

Karta opisu przedmiotu (sylabus)

Informacje podstawowe

Kierunek studiów
Szkoła Doktorska
Specjalność
-
Jednostka organizacyjna
UEP
Poziom kształcenia
III stopień
Forma studiów
stacjonarne
Profil kształcenia
ogólnoakademicki
Cykl dydaktyczny
2019/2020
Kod przedmiotu
UEPSDS.640.13127.19
Język wykładowy
Polski
Obligatoryjność
Do wyboru
Blok zajęciowy
Blok 0
Osoba odpowiedzialna za treść sylabusa
Marcin Szymkowiak
Okres
Semestr 3
Forma zaliczenia
Zaliczenie

Forma prowadzenia i godziny zajęć
  • Uczestnictwo w ćwiczeniach: 30
Liczba punktów ECTS
2

Cele uczenia się dla przedmiotu

C1 Poznanie wybranych metod z obszaru modelowania zjawisk ekonomicznych i uczenia maszynowego
C2 Nabycie umiejętności implementacji zaawansowanych metod modelowania zjawisk ekonomicznych i uczenia maszynowego w środowisku R
C3 Nabycie umiejętności w zakresie stosowania zaawansowanych metod modelowania i uczenia maszynowego w badaniu zjawisk ekonomicznych

Efekty uczenia się dla przedmiotu

Kod Efekty w zakresie Kierunkowe efekty uczenia się Metody weryfikacji
Wiedzy
W1 Zna zaawansowane metody modelowania i algorytmy uczenia maszynowego wykorzystywane w praktyce badań ekonomicznych K3_W01, K3_W02, K3_W03 Projekt indywidualny
W2 Zna i rozumie złożone mechanizmy stosowania modeli statystycznych i algorytmów uczenia maszynowego w obszarze zjawisk ekonomicznych K3_W01, K3_W02, K3_W03 Projekt indywidualny
W3 Zna najważniejsze pakiety środowiska R dedykowane modelowaniu statystycznemu i uczeniu maszynowemu K3_W01, K3_W02, K3_W03 Projekt indywidualny
Umiejętności
U1 Potrafi formułować i rozwiązywać złożone problemy ekonomiczne z wykorzystaniem modeli statystycznych i metod uczenia maszynowego K3_U01 Projekt indywidualny
U2 Potrafi komunikować się z otoczeniem z użyciem specjalistycznej terminologii z zakresu statystyki K3_U03 Projekt indywidualny
U3 Potrafi wykorzystać narzędzia statystyczne (program R) w obszarze modelowania i uczenia maszynowego K3_U04, K3_U05 Projekt indywidualny
Kompetencji społecznych
K1 Jest świadomy ograniczeń wynikających z wykorzystania złożonych modeli statystycznych i metod uczenia maszynowego w badaniach ekonomicznych K3_K01 Projekt indywidualny
K2 Jest gotów do uznawania znaczenia wiedzy w rozwiązywaniu problemów praktycznych z zakresu ekonomii K3_K01 Projekt indywidualny
K3 Jest gotów do krytycznej oceny wyników uzyskanych z wykorzystaniem złożonych modeli statystycznych i metod uczenia maszynowego K3_K01 Projekt indywidualny

Treści programowe

Lp. Treści programowe Cele kształcenia dla przedmiotu Efekty uczenia się dla przedmiotu
1. Wprowadzenie do modelowania zjawisk ekonomicznych C1, C2, C3 W1, W2, W3, U1, U2, U3, K1, K2, K3
2. Podstawowe typy uogólnionych modeli liniowych – założenia, estymacja parametrów, diagnostyka i ich praktyczne wykorzystanie w obszarze ekonomii C1, C2, C3 W1, W2, W3, U1, U2, U3, K1, K2, K3
3. Modele liniowe z efektami stałymi, losowymi i mieszanymi - założenia, estymacja parametrów, diagnostyka i ich praktyczne wykorzystanie w obszarze ekonomii C1, C2, C3 W1, W2, W3, U2, U3, K1, K2, K3
4. Modelowanie równań strukturalnych w analizie wielu zmiennych C1, C2, C3 W1, W2, W3, U1, U2, U3, K1, K2, K3
5. Modele log-liniowe w badaniach ekonomicznych C1, C2, C3 W1, W2, W3, U1, U2, U3, K1, K2, K3
6. Analiza klas ukrytych w badaniach ekonomicznych C1, C2, C3 W1, W3, U1, U2, U3, K1, K2, K3
7. Wprowadzenie do uczenia maszynowego C1, C2, C3 W1, W3, U1, U2, U3, K1, K2, K3
8. Drzewa decyzyjne i lasy losowe oraz ich zastosowania w obszarze ekonomii C1, C2, C3 W1, W3, U1, U2, U3, K1, K3
9. Zaawansowane algorytmy grupowania i klasyfikacji w obszarze ekonomii C1, C2, C3 W1, W3, U1, U2, U3, K1, K2, K3
10. Metody redukcji wymiarów i ich zastosowanie w ekonomii C1, C2, C3 W1, W3, U1, U2, U3, K1, K2, K3

Literatura

Obowiązkowa
  1. Burger, S. (2018), Introduction to Machine Learning with R, O'Reilly Media, Inc, USA.
  2. Chollet, F., Allaire, J. J. (2019), Deep Learning. Praca z językiem R i biblioteką Keras, Wydawnictwo Helion.
  3. Dunn, P.K., Smyth, G.K. (2018), Generalized Linear Models With Examples in R, Springer, New York, NY.
  4. Ghatak, A. (2017), Machine Learning with R, Springer.
  5. Shmueli, G. (2010), To explain or to predict?. Statistical science, 25(3), 289-310.
  6. Timothy C. Au. (2018), Random Forests, Decision Trees, and Categorical Predictors: The "Absent Levels" Problem, Journal of Machine Learning Research, (45):1−30.
Zalecana
  1. Biecek, P. (2013), Analiza danych z programem R, Modele liniowe z efektami stałymi, losowymi i mieszanymi, Wydawnictwo Naukowe PWN.

Informacje rozszerzone

Metody nauczania:

Dyskusja, Analiza przypadków, Rozwiązywanie zadań, Ćwiczenia laboratoryjne

Metody nauczania Sposób zaliczenia Warunki zaliczenia przedmiotu
Ćwiczenia Projekt indywidualny Uczestnictwo w zajęciach i wykonanie projektu zaliczeniowego

Rozliczenie punktów ECTS

Forma aktywności studenta Średnia liczba godzin* przeznaczonych na zrealizowane aktywności
Uczestnictwo w ćwiczeniach 30
Przygotowanie projektu 30
Łączny nakład pracy studenta
Liczba godzin
60
ECTS
2.0
Zajęcia z bezpośrednim udziałem nauczyciela
Liczba godzin
30
ECTS
1.0
Nakład pracy związany z zajęciami o charakterze praktycznym
Liczba godzin
60
ECTS
2.0

* godzina (lekcyjna) oznacza 45 minut