Prowadzony w cyklach: 2025/26_Z, 2026/27_Z

Punkty ECTS: 2

Organizowany przez: Wydział Społeczno-Ekonomiczny

Algorytmy sztucznej inteligencji w Big Data-wykład WSE-BD-ASIwBD(I)-w

1. Big Data w analityce społecznej: od danych do inteligentnych decyzji

2. Pozyskiwanie danych w systemach Big Data

3. Web Crawling: automatyczne przeszukiwanie Internetu

4. Web Scraping: automatyczne wydobywanie danych z Internetu

5. Text Mining: analiza i odkrywanie wzorców w danych tekstowych

6. Architektura transformera: mechanizm działania współczesnych modeli AI

7. Modele GPT: od transformera do generatywnej sztucznej inteligencji

8. Klasyfikacja danych za pomocą drzew decyzyjnych

9. Drzewa regresyjne: przewidywanie wartości na podstawie danych

10. Maszyna wektorów nośnych: klasyfikacja i granice decyzyjne

11. Regresja wektorów nośnych: predykcja wartości metodą SVR

12. Sieci neuronowe w klasyfikacji: od perceptronu do predykcji

13. Sieci neuronowe w regresji: modelowanie i przewidywanie wartości

14. Analiza sieci społecznych: podstawy teorii i struktury sieci

15. Analiza sieci społecznych: interpretacja struktur i relacji

W cyklu 2025/26_Z:

1. Wprowadzenie do Big Data – historia i rozwój Big Data, definicja i kluczowe wyzwania, zastosowania w różnych branżach.
2. Pozyskiwanie danych w Big Data – algorytmy webcrawlingu, zbieranie danych z internetu, mechanizmy ekstrakcji informacji.
3. Webscraping – metody pobierania danych ze stron internetowych, biblioteki do scrapowania, kwestie etyczne i prawne.
4. Architektura transformerów – omówienie budowy i działania modeli opartych na mechanizmie uwagi.
5. Generative Pretrained Transformer (GPT) – analiza modelu językowego, jego zastosowania i rozwój.
6. BERT i jego rola w przetwarzaniu danych tekstowych – zastosowania w NLP, struktura i działanie modelu.
7. Algorytmy rozpoznawania tekstu (Text Mining) – ekstrakcja informacji z dokumentów, analiza sentymentu, kategoryzacja tekstu.
8. Algorytmy indukcyjne: drzewa klasyfikacyjne – podstawy teorii drzew decyzyjnych, przykłady zastosowań.
9. Drzewa regresyjne – algorytmy regresyjne i analiza predykcyjna na podstawie danych.
10. Sztuczne sieci neuronowe – podstawy działania, struktura perceptronów i głębokiego uczenia.
11. Sieci Kohonena – samoorganizujące się mapy cech i ich zastosowania.
12. Maszyny wektorów nośnych (SVM) – klasyfikacja i regresja przy użyciu SVM, zastosowania w Big Data.
13. SVM – klasyfikacja – szczegółowe omówienie metod klasyfikacji.
14. SVM – regresja – zastosowanie maszyn wektorów nośnych w analizie predykcyjnej.
15. Podsumowanie – kluczowe wnioski, omówienie zastosowań poznanych metod w praktyce.

E-Learning

E-Learning (pełny kurs) z podziałem na grupy

Grupa przedmiotów ogólnouczenianych

nie dotyczy

Koordynatorzy przedmiotu

Agnieszka Szymańska

Opis nakładu pracy studenta w ECTS

Bezpośredni udział w zajęciach: 30 godzin Udział w zaliczeniach poza zajęciami: 2 godziny Udział w konsultacjach: 15 godzin Razem: 2 ECTS Praca własna: Przygotowanie do zajęć (czytanie, praca pisemna, tłumaczenie itp.): 10 godzin Przygotowanie do zaliczenia (np. czytanie, prezentacja, projekt itp.): 20 godzin Razem: 1 ECTS

Poziom przedmiotu

podstawowy

Symbol/Symbole kierunkowe efektów uczenia się

wpisz symbol/symbole efektów kształcenia

Typ przedmiotu

obowiązkowy

Efekty uczenia się

Wiedza:

Zna podstawowe i zaawansowane pojęcia związane z Big Data oraz technikami pozyskiwania danych (webcrawling, webscraping).

Rozumie architekturę modeli transformerowych, w tym GPT i BERT, oraz ich zastosowania w analizie tekstu.

Zna główne algorytmy uczenia maszynowego stosowane w Big Data, takie jak drzewa decyzyjne, SVM i sieci neuronowe.

Umiejętności:

Potrafi pozyskiwać i wstępnie przetwarzać dane z Internetu z użyciem podstawowych technik ekstrakcji informacji.

Umie zastosować metody Text Mining oraz podstawowe narzędzia NLP do analizy tekstu.

Potrafi zbudować i ocenić proste modele klasyfikacyjne lub regresyjne na podstawie dostępnych danych.

Kompetencje społeczne:

Rozumie znaczenie etycznego i odpowiedzialnego pozyskiwania oraz przetwarzania danych.

Potrafi krytycznie oceniać wyniki analiz uzyskane za pomocą algorytmów AI.

Jest gotów do dalszego rozwijania wiedzy i umiejętności w obszarze Big Data i sztucznej inteligencji.

Kryteria oceniania

Podstawą zaliczenia kursu jest test z wiedzy nabytej podczas wykładu. Aby zaliczyć test, student musi udzielić 60% poprawnych odpowiedzi.

Literatura

Szymańska, A. (2026). Mathematical Modeling in Psychology Using Artificial Intelligence. UKSW Press.

dodatkowa literatura:

Elder, J., Hill, T., Miner, G., Nisbet, B., Delen, D., & Fast, A. (2012). Practical Text Mining and Statistical Analysis for Non-structured Text Data Application. Oxford: Elsevier.

Nisbet, R., Elder, J., & Miner, G. (2009). Handbook of statistical analysis and data mining applications. Burlington, MA: Academic Press (Elsevier).

Szymańska, A. (2017a). Wykorzystanie algorytmów Text Mining do analizy danych tekstowych w psychologii [Usage of text mining algorithms to analyze textual data in psychology]. Socjolingwistyka, 33, 99–116.

Szymańska, A. (2017b). Wykorzystanie Analizy Skupień Metodą Data Mining Do Wykreślania Profili Osób Badanych. Studia Psychologiczne, 55, 26–42. https://doi.org/10.2478/V1067-010-0160-1

W cyklu 2025/26_Z:

Elder, J., Hill, T., Miner, G., Nisbet, B., Delen, D., & Fast, A. (2012). Practical Text Mining and Statistical Analysis for Non-structured Text Data Application. Oxford: Elsevier.

Nisbet, R., Elder, J., & Miner, G. (2009). Handbook of statistical analysis and data mining applications. Burlington, MA: Academic Press (Elsevier).

Szymańska, A. (2017b). Wykorzystanie Analizy Skupień Metodą Data Mining Do Wykreślania Profili Osób Badanych. Studia Psychologiczne, 55, 26–42. https://doi.org/10.2478/V1067-010-0160-1

Więcej informacji

Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb:

Strona przedmiotu WSE-BD-ASIwBD(I)-w w USOSweb