FIŞA DISCIPLINEI

1. Date despre program1.1 Instituţia de învăţământ superior Universitatea “Alexandru Ioan Cuza” din Iaşi1.2 Facultatea Facultatea de Informatică1.3 Departamentul Informatică1.4 Domeniul de studii Informatică1.5 Ciclul de studii Studii de masterat1.6 Programul de studii / Calificarea

2. Date despre disciplină2.1 Denumirea disciplinei Capitole speciale de inteligenţă artificială2.2 Titularul activităţilor de curs Conferenţiar dr. Cristian Gaţu2.3 Titularul activităţilor de seminar Conferenţiar dr. Cristian Gatu2.4 An de studiu I 2.5 Semestru I 2.6 Tip de evaluare E 2.7 Regimul discipinei* OB* OB – Obligatoriu / OP – Opţional

3. Timpul total estimat (ore pe semestru şi activităţi didactice)3.1 Număr de ore pe săptămână 4 din care: 3.2 curs 2 3.3 seminar/laborator 23.4 Total ore din planul de învăţământ 56 din care: 3.5 curs 28 3.6 seminar/laborator 28Distribuţia fondului de timp oreStudiu după manual, suport de curs, bibliografie şi altele 36Documentare suplimentară în bibliotecă, pe platformele electronice de specialitate şi pe teren 28Pregătire seminarii/laboratoare, teme, referate, portofolii şi eseuri 56Tutoriat -Examinări 4Alte activităţi ................................... -

3.7 Total ore studiu individual 1243.8 Total ore pe semestru 1803.9 Număr de credite 8

4. Precondiţii (dacă este cazul)4.1 De curriculum -4.2 De competenţe -

5. Condiţii (dacă este cazul)

5.1 De desfăşurare a cursului -

5.2 De desfăşurare a seminarului/ laboratorului

Prezenţa la activităţile de seminar/loborator este obligatorie.

6. Competenţe specifice acumulate

Co

mp

ete

nţe

pro

fes

ion

ale

C1. Cunoaşterea unor tehnici fundamentale de analiză statistică a datelor.C2. Abilitatea de a utiliza limbajul de programare statistică R.

Co

mp

ete

nţe

tra

nsv

ers

ale

CT1. Abilitatea de analiză complexă a datelor din diferite domenii de aplicaţie.CT2. Abilitatea de a utiliza unelete matematice, statistice si de optimizare pentru analiza datelor.

7. Obiectivele disciplinei (din grila competenţelor specifice acumulate)

7.1

Ob

iec

tiv

ul

ge

ne

ral

O1. Înţelegerea şi însuşirea unor tehnici moderne din Inteligenţa artificială.O2. Implicarea studenţilor în activităţi de cercetare.

7.2

Ob

iec

tive

le s

pec

ific

e

O1. Întelegerea unor modalităţi de rezolvare eficientă a unor probleme de modelare şi analiză a datelor folosind Statistica şi Informatica.O2. Cunoaşterea unor tehnici moderne de modelare şi analiză a datelor.O3. Înţelegerea şi utilizarea limbajului de programare statistică R.

8. Conţinut

8.1 Curs Metode de predare Observaţii(ore şi referinţe bibliografice)

1. Probabilităţi şi variabile aleatoare Expunere 2

2. Măsuri şi distribuţii statistice I Expunere 2

3. Măsuri şi distribuţii statistice II Expunere 2

4. Calcul matricial în statistică Expunere 2

5. Regresie I Expunere 2

6. Regresie II Expunere 2

7. Selecţia de modele statistice Expunere 2

8. Evaluare parţială Test scris 2

9.Strategii computaţionale pentru selecţiade modele I

Expunere 2

10.Strategii computaţionale pentru selecţiade modele II

Expunere 2

11. Analiza componentelor principale Expunere 2

12. Analiza factorilor Expunere 2

13. Clasterizare I Expunere 2

14. Clasterizare II Expunere 2

Bibliografie

Referinţe principale:Hastie, R. Tibshirani and J. Friedman. The Elements of Statistical Learning, Springer, 2001

Referinţe suplimentare:D. S. Moore, G. P. McCabe, B. Craig. Introduction to the Practice of Statistics. W. H. Freeman & Co., 2009. G. Cowan. Statistical Data Analysis. Clarendon Press, 1998.T.M. Mitchell. Machine Learning, McGraw-Hill, 1997. G. A. F. Seber, Linear Regression Analysis, John Wiley and Sons Inc., 1977. N.R. Draper and H. Smith, Applied Regression Analysis, John Wiley and Sons Inc., 1966. E.J. Kontoghiorghes, Parallel Algorithms for Linear Models: Numerical Methods and Estimation Problems, Kluwer Academic Publishers, 2000.

8.2 Seminar / Laborator Metode de predare Observaţii(ore şi referinţe bibliografice)

1. Introducere in R Expunere interactivă 2

2. Probabilităţi si variabile aleatoare

Revizuirea unor cunoştinţe de la curs. Discuţii interactive folosind tabla. Studenţii trebuie să rezolve individual un set de exerciţii in R.

2

3. Măsuri şi distribuţii statistice Idem 2

4. Măsuri şi distribuţii statistice Idem 2

5. Măsuri şi distribuţii statistice Idem 2

6. Regresie simplă Idem 2

7. Regresie multiplă Idem 2

8. Evaluare parţialăDiscutarea exerciţiilor de la testul scris

2

9. Selecţia modelelor de regresie Idem 2

10. Selecţia modelelor de regresie Idem 2

11. Selecţia modelelor de regresie Idem 2

12. Analiza componentelor principale Idem 2

13. Analiza factorilor Idem 2

14. Clasterizare Idem 2

BibliografieT. Hastie, R. Tibshirani and J. Friedman. The Elements of Statistical Learning, Springer, 2001

D. S. Moore, G. P. McCabe, B. Craig. Introduction to the Practice of Statistics. W. H. Freeman & Co., 2009. G. Cowan. Statistical Data Analysis. Clarendon Press, 1998.

9. Coroborarea conţinutului disciplinei cu aşteptările reprezentanţilor comunităţii, asociaţiilor profesionale şi angajatorilor reprezentativi din domeniul aferent programului

10. Evaluare

Tip activitate 10.1 Criterii de evaluare 10.2 Metode de evaluare10.3 Pondere în nota finală (%)

10.4 Curs

- Înţelegerea şi utilizarea corectă a unor tehnici de modelare şi analiză a datelor.- Calitatea formulării răspunsurilor.

Test scris 50%

10.5 Seminar/ Laborator Lucru curat, citeţ, corect şi personal.

- Prezenţa la activităţile de seminar/laborator.- Prezentarea soluţiilor la

50%

exerciţiile propuse.10.6 Standard minim de performanţăPunctajul final >= 4.5.

Îndeplinirea acestei condiţii este echivalentă cu capacitatea de întelegere şi utilizare a unor tehnici simple şi medii de analiză a datelor.

Data completării Titular de curs Titular de seminar30.09.2017

Data avizării în departament Director de departament