FIŞA DISCIPLINEI Metode computationale inteligente
Anul universitar: 2018-2019
1. Date despre program 1.1 Instituţia de învăţământ superior Universitatea „Babeş-Bolyai” Cluj-Napoca1.2 Facultatea Facultatea de Ştiinţe Economice şi Gestiunea Afacerilor1.3 Departamentul Informatică Economică1.4 Domeniul de studii Informatică Economică1.5 Ciclul de studii Masterat1.6 Specializarea / Programul de studii Sisteme de Asistare a Deciziilor Economice
2. Date despre disciplină2.1 Denumirea disciplinei Metode computationale inteligente
2.2 Titularul activităţilor de curs Lect.dr Darie Moldovan2.3 Titularul activităţilor de seminar
Lect.dr Darie Moldovan
2.4 Anul de studii I 2.5 Semestrul 2 2.6 Tipul de evaluare ES 2.7 Regimul disciplinei Ob
3. Timpul total estimat (ore pe semestru ale activităţilor 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 28
Distribuţia fondului de timp ore Studiul după manual, suport de curs, bibliografie şi notiţe 14Documentare suplimentară în bibliotecă, pe platformele electronice de specialitate şi pe teren 10Pregătire seminarii/laboratoare, teme, referate, portofolii şi eseuri 40Tutoriat 1Examinări 4Alte activităţi................................... 03.7 Total ore studiu individual 144
3.8 Total ore pe semestru 200
3.9 Numărul de credite 8
Facultatea de Științe Economice și Gestiunea Afacerilor
Str. Teodor Mihali nr. 58-60
Cluj-Napoca, RO-400951
Facultatea de Științe Economice și Gestiunea AfacerilorStr. Teodor Mihali nr. 58-60
Cluj-Napoca, RO-400951Tel.: 0264-41.86.52-5
Fax: [email protected]
www.econ.ubbcluj.ro
4. Precondiţii (acolo unde este cazul)
4.1 de curriculum Nu este cazul4.2 de competenţe Nu este cazul
5. Condiţii (acolo unde este cazul)
5.1. de desfăşurare a cursului
• Pentru prelegeri este nevoie de o sala de curs echipata cu videoproiector.
5.2. de desfăşurare a seminarului/laboratorului
Laboratorul va fi echipat următoarele pachete software: Weka, SAS, si Matlab. Studentii vor lucra in echipe de cate 2 pentru realizarea proiectelor cerute
6. Competenţele specifice acumulate Competenţe profesionale
Aprecierea comparativa a metodologiilor si a metodelor folosite in analiza datelor ce vor fi incluse in sistemul informatic proiectatAplicarea aparatului conceptual si metodologic pentru stabilirea tipurilor de metode relevante in realizarea unui model asupra datelorExplicarea conceptelor metodelor, tehnicilor si instrumentelor aplicate in inteligenta artificiala utilizand tehnici computationale
Competenţe transversale
• Realizarea unei lucrări/unui proiect, asumând cu responsabilitate sarcini specifice rolului într-o echipă plurispecializată
• Soluţionarea în timp real, în condiţii de asistenţă calificată, a unei probleme reale/ipotetice de la locul de muncă, respectând normele deontologiei profesionale
7. Obiectivele disciplinei (reieşind din grila competenţelor specifice acumulate)7.1 Obiectivul general al disciplinei
Se urmareste formarea de deprinderi pentru utilizarea tehnicilor de data mining si a metodelor inteligente în probleme economice. Cursul insista pe tehnici de analiza, studiate in cadrul disciplinelor de inteligenta artificiala. Cunoasterea acestor tehnici este esentială pentru un analist-consultant, mai ales dacă acesta urmează să lucreze cu seturi mari de date.
7.2 Obiectivele specifice
deprinderea conceptelor legate de modelare computationala si simulare in economie
deprinderea de abilitati de analiza, design si dezvoltare de modele de analiza aprofundata a datelor si datamining
deprinderea de abilitati de evaluare a modelelor dezvoltate si de interpretare a rezultatelor obtinute
8. Conţinuturi
8.1 Curs Metode de predare Observaţii
Concepte de baza in invatarea automata.Prelegere cu exemplificare 1 prelegere
Tratarea datelor de intrare si iesirePrelegere cu exemplificare 1 prelegere
Invatarea supravegheata. Regresia liniara simplaPrelegere cu exemplificare 1 prelegere
Regresia liniara multivariataPrelegere cu exemplificare 1 prelegere
Regresia logisticaPrelegere cu exemplificare 1 prelegere
Arbori de deciziePrelegere cu exemplificare 1 prelegere
Retele neuronalePrelegere cu exemplificare 1 prelegere
Probleme in utilizarea algoritmilor de invatare si alegerea modelelorPrelegere cu exemplificare 1 prelegere
Interpretarea rezultatelorPrelegere cu exemplificare 1 prelegere
Implementarea modelelorPrelegere cu exemplificare 2 prelegere
Modele combinate de dataminingPrelegere cu exemplificare 1 prelegere
Aplicatii de data mining. Studii de cazPrelegere cu exemplificare 1 prelegere
Studii de cazPrelegere cu exemplificare 1 prelegere
Bibliografie: 1. Ian H. Witten, Eibe Frank, Datamining: practical machine learning tools and techniques,
Morgan Kaufmann, 2016 ed. a 4-a 2. Pan-Ning Tan, Michael Steinbach, Vipin Kumar, Introduction to Datamining, Addison
Wesley, 20063. Trevor Hastie, Robert Tibshirani, Jerome Friedman, The Elements of Statistical Learning,
second edition, Springer, 20094. Jure Leskovec, Anand Rajarmana, Jeff Ullman, Mining of Massive Datasets, Cambridge,
20115. Thomas Mitchell, Machine Learning, McGraw Hill, 19976. Robert Nisbet, John Elder, Gary Miner, Handbook of Statistical Analysis and Data Mining
Applications, Elsevier, 20097. S. Haykin, Neural Networks and Machine Learning, 3rd ed., Prentice Hall, 20088. J. Georges, J. Thompson, C. Wells, Applied Analytics Using SAS Enterprise Miner, Course Notes, SAS Publishing, 20109. D. Moldovan, Data Mining. Teorie și Studii de Caz, Editura ASE, 2015.
10. C. Aggarwal. Data Mining. The Textbook, Springer, 2015
8. 2 Seminar/laborator Metode de predare Observaţii
Acomodarea cu programele soft utilizate.Exercitii de laborator 1 lab
Utilizarea seturilor de date. Explorarea statisticaExercitii de laborator 1 lab
Crearea modelelor simple de regresieExercitii de laborator 1 lab
Crearea de modele de regresie multivariata si selectie de variabile.
Interpretarea rezultatelor modelului
Exercitii de laborator 1 lab
Modele cu regresie logistica si evaluarea calitatii modelului.Exercitii de laborator 1 lab
Crearea de arbori de decizie.Exercitii de laborator 1 lab
Utilizarea retelelor neuronale in probleme de clasificareExercitii de laborator 1 lab
Selectarea modelelor intr-un cadru experimentalExercitii de laborator 1 lab
Interpretarea rezultatelor obtinute, in functie de tipul de model
utilizat
Exercitii de laborator 1 lab
Implementarea modelelor in practicaExercitii de laborator 2 lab
Utilziarea combinata a modelelorExercitii de laborator
1 lab
Studii de cazExercitii de laborator
2 lab
Bibliografie: 1. Ian H. Witten, Eibe Frank, Datamining: practical machine learning tools and
techniques, Morgan Kaufmann, 2016 ed. a 4-a 2. Pan-Ning Tan, Michael Steinbach, Vipin Kumar, Introduction to Datamining,
Addison Wesley, 20063. Trevor Hastie, Robert Tibshirani, Jerome Friedman, The Elements of Statistical
Learning, second edition, Springer, 20094. Jure Leskovec, Anand Rajarmana, Jeff Ullman, Mining of Massive Datasets,
Cambridge, 20115. Thomas Mitchell, Machine Learning, McGraw Hill, 19976. Robert Nisbet, John Elder, Gary Miner, Handbook of Statistical Analysis and
Data Mining Applications, Elsevier, 20097. S. Haykin, Neural Networks and Machine Learning, 3rd ed., Prentice Hall,
20088. J. Georges, J. Thompson, C. Wells, Applied Analytics Using SAS Enterprise Miner,
Course Notes, SAS Publishing, 20109. D. Moldovan, Data Mining. Teorie și Studii de Caz, Editura ASE, 2015.
10. C. Aggarwal. Data Mining. The Textbook, Springer, 2015 11. SAS Institute, Applied Analytics using SAS Enterprise Miner, Note de curs, 2010
9. Coroborarea/validarea conţinuturilor disciplinei cu aşteptările reprezentanţilor comunităţii epistemice, asociaţiilor profesionale şi angajatori reprezentativi din domeniul aferent programului Programa analitica a fost stabilită prin discutii cu reprezentati ai companiei SAS Romania si prin consultarea continutului unor discipline similare din strainatateStudenţii vor avea posibilitatea obţinerii unui Certificat de competenţă în utilizarea SAS Enterprise Miner din partea SAS România
10. Evaluare
Tip activitate 10.1 Criterii de evaluare 10.2 Metode de evaluare
10.3 Pondere în nota finală
10.4 Curs Cunoasterea sistemului conceptual, a metodelor si procedeelor utilizate in datamining.
Examen scris grila cu intrebari teoretice si practice, pentru
Nota are o pondere de 80% in nota finala
rezolvarea caruia este necesara utilizarea softului invatat pe parcursul semestrului
Capacitatea de utilizare adecvata a metodelor si procedeelor prezentate in curs
10.5 Seminar/laborator
Detinerea de abilitati practice de modelare Teme practice, intrebari pe parcursul semestrului
Componenta practica a examenului din sesiune, privind utilizarea softului invatat pe parcursul semestrului
Activitatea din timpul semestrului are o pondere de 20% in nota finala
Detinerea de abilitati practice legate de evaluarea metodelor si interpretarea rezultatelor
10.6 Standard minim de performanţă 50% din punctajul total
Data completării Titular de curs
10.03.2018 Lect.dr Darie Moldovan
Titular de seminar
Lect.dr Darie Moldovan
Director de departament Prof.dr.habil. Gheorghe Cosmin SILAGHI
Data avizării în departament 04.04.2018
Top Related