Professional Documents
Culture Documents
Wizualizacja Dużych Zbiorów Danych
Wizualizacja Dużych Zbiorów Danych
Informacje podstawowe
1/6
Kierunkowe efekty
Kod Efekty w zakresie Metody weryfikacji
uczenia się
Wykonanie projektu,
Student potrafi dokonać transformacji analizy danych
INF2DS_U04, Wykonanie ćwiczeń
U1 z metod off-line na ich interaktywną eksplorację
INF2DS_U05 laboratoryjnych, Projekt,
wykorzystując ich graficzna reprezentację.
Prezentacja
Wykonanie projektu,
Student potrafi dobrać dla opracowywanych danych INF2DS_U02, Wykonanie ćwiczeń
U2
metody ich wizualizacji oraz analizy. INF2DS_U05 laboratoryjnych, Projekt,
Prezentacja
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć
Ten specjalistyczny przedmiot zaznajamia studentów z nowoczesnymi metodami osadzania wielowymiarowych danych w
przestrzeniach 2D i 3D.
Wykład 14
Ćwiczenia laboratoryjne 30
Przygotowanie do zajęć 15
2/6
Liczba godzin
Łączny nakład pracy studenta
77
Liczba godzin
Liczba godzin kontaktowych
44
Treści programowe
3/6
Opanowanie podstawowych technologii związanych z
wizualizacją dużych zbiorów danych:
Informacje rozszerzone
Wykład tablicowy, Wykonanie ćwiczeń laboratoryjnych, Prezentacja multimedialna, Dyskusja, Wykonanie projektu
Rodzaj zajęć Sposób weryfikacji i oceny efektów uczenia się Warunki zaliczenia przedmiotu
Dodatkowy opis
Na ćwiczeniach studenci w grupach przygotowują krótkie tutoriale dla kolegów związane z treścią zajęć laboratoryjnych
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki
dopuszczenia do egzaminu
1. Aby uzyskać pozytywną ocenę końcową niezbędne jest uzyskanie pozytywnej oceny z laboratorium (kolokwia) oraz
projektu końcowego. 2. Obliczamy średnią ważoną z ocen z ćwiczeń laboratoryjnych (30%) tutoriala (20%), i projektu (50%)
uzyskanych we wszystkich terminach. 3. Wyznaczmy ocenę końcową na podstawie zależności: if sr>4.75 then OK:=5.0 else
if sr>4.25 then OK:=4.5 else if sr>3.75 then OK:=4.0 else if sr>3.25 then OK:=3.5 else OK:=3 4. Jeżeli pozytywną ocenę z
laboratorium i projektu uzyskano w pierwszym terminie oraz ocena końcowa jest mniejsza niż 5.0 to ocena końcowa jest
podnoszona o 0.5
4/6
Wymagania wstępne i dodatkowe
Podstawy uczenia maszynowego, Metody Obliczeniowe w Nauce i Technice
Zasady udziału w poszczególnych zajęciach, ze wskazaniem, czy obecność studenta na zajęciach jest
obowiązkowa
Wykład: Studenci wykonują ćwiczenia laboratoryjne zgodnie z materiałami udostępnionymi przez prowadzącego. Student
jest zobowiązany do przygotowania się w przedmiocie wykonywanego ćwiczenia, co może zostać zweryfikowane kolokwium
w formie ustnej lub pisemnej. Zaliczenie zajęć odbywa się na podstawie zaprezentowania rozwiązania postawionego
problemu. Zaliczenie modułu jest możliwe po zaliczeniu wszystkich zajęć laboratoryjnych. Ćwiczenia laboratoryjne: Studenci
uczestniczą w zajęciach poznając kolejne treści nauczania zgodnie z syllabusem przedmiotu. Studenci winni na bieżąco
zadawać pytania i wyjaśniać wątpliwości. Rejestracja audiowizualna wykładu wymaga zgody prowadzącego.
Literatura
Obowiązkowa
Dodatkowa
1. 1. Czasopisma: IEEE Transaction on Data Mining, Computing and Visualization in Science, Scientific Visualization
Badania i publikacje
Publikacje
1. 1. Czech, W., Mielczarek, W., Dzwinel, W., Distance-based graph invariants for analysis and visualization of complex
networks, Concurrency and Computation: Practice and Experience, 29(9):e4054, 2017 IF =1.133 2. Dzwinel, W., Wcisło,
R., Czech,W., ivga: A fast force-directed method for interactive visualization of complex networks, Journal of
Computational Science, 21C (2017) pp. 448-459 IF=1.748 3. Pawliczek P, Dzwinel W, Yuen DA, Visual exploration of data
by using multidimensional scaling on multi-core CPU, GPU and MPI cluster, Concurrency and Computation: Practice and
Experience, 26(3): 662-682, 2014. IF =0.997 4. Kurdziel M, Boryczko K, Dzwinel W, Procrustes analysis of truncated least
squares multidimensional scaling, Computing and Informatics, 31 (6), 1417-1440, 2012. IF =0.254 5. Czech, W., Dzwinel,
W., Goryczka S., Arodź, T., Dudek, A.Z., Exploring biological networks with Graph Investigator research application,
Computing and Informatics, 30, 1001–1031, 2011 IF =0.239 KONFERENCJE 1. Dzwinel, W., Wcisło, R., ivhd: A robust
linear-time and memory efficient method for visual exploratory data analysis, 13thConference on Machine Learning and
Data Mining, MLDM, New York , July 15-20, 2017, Lecture Notes of Artificial Intelligence, LNAI, 10358, 345-360, 2017 2.
Czech, W., Mielczarek, W., Dzwinel, W., Comparison of Large Graphs Using Distance Information, 11th International
Conference, PPAM 2015, Lecture Notes of Computer Science, LNCS 9573, 195-206, 2016 3. Dzwinel, W., Wcisło, R., Very
fast interactive visualization of large sets of high-dimensional data, 2015 International Conference of Computational
Science, ICCS 2015, Reykjavik, 1-3.06.2015. Procedia of Computer Science, 51, 572-581, 2015. 4. Pawliczek, P., Dzwinel,
W., Yuen, DA, Visual Exploration of Data with Multi-thread MIC Computer Architectures, in Rutkowski et al. (Eds.): ICAISC
2015, Part II, Lecture Notes of Artificial Intelligence, LNAI 9120, 25–35, 2015.
5/6
Kierunkowe efekty uczenia się
Kod Treść
Ma świadomość odpowiedzialności za własną pracę oraz za wspólnie realizowane zadania; potrafi myśleć i
INF2DS_K01
działać w sposób kreatywny i przedsiębiorczy
Potrafi wykorzystać znane algorytmy, metody obliczeniowe i struktury danych w budowie systemu
INF2DS_U02
informatycznego
Orientuje się w obecnym stanie oraz najnowszych osiągnięciach i trendach rozwojowych informatyki i
INF2DS_W04 dziedzin pokrewnych oraz ma wiedzę niezbędną do rozumienia pozatechnicznych uwarunkowań działalności
inżynierskiej
6/6