| 5 ECTS | |
| 30 P + 30 PK | |
| 0% primjene e-učenja | |
| Odjel za informatiku (Sceduly) |
| Nositelji: Divna KrpanSuradnici: |
| Ciljevi predmeta |
| Podatci su u današnjem društvu dostupni u dosad neviđenom i neprekidno rastućem opsegu, te u različitim oblicima (tekst, slika, multimedija) i razinama strukturiranosti. Cilj je kolegija u teorijskom dijelu predstaviti podatkovnu znanost, koja obuhvaća suvremene pristupe prikupljanju, strukturiranju, analizi, i zaključivanju povrh raznorodnih masivnih skupova podataka. |
| Uvjeti (kompetencije) za upis predmeta |
| Očekivani ishodi učenja |
| - opisati osnovne pristupe podatkovne znanosti kao primijenjene matematike i statistike, te primijenjene računalne znanosti |
| - primijeniti metode podatkovne znanosti na raznorodne masivne skupove tekstnih i multimedijskih podataka |
| - pronalaziti znanje u skupovima podataka pomoću vlastitih programskih rješenja temeljenih na principima podatkovne znanosti |
| - koristiti programske biblioteke za obradu velikih skupova podataka, prije svega one temeljene na metodama znanstvenog računanja |
| - vizualizirati pronalaske u velikim kolekcijama podataka |
| - prepoznati mogućnosti uporabe podatkovne znanosti u širokom skupu znanstvenih, tehnoloških, industrijskih, i društvenih primjena |
| - raspravljati o tehnološkom i društvenom utjecaju podatkovne znanosti, posebno s obzirom na odnos tehnološkog razvoja i etičkih ograničenja |
| Sadržaj predmeta |
| Podatkovna znanost i znanstvena metoda (2+2) |
| Osnove dohvata, pripreme, i strukturiranja podataka (2+2) |
| Preliminarno istraživanje i tumačenje podataka (i) (2+2) |
| Istraživanje (ii): Varijabilnost, uzorkovanje, vizualizacija (2+2) |
| Predviđanje nad podatcima (i) (2+2) |
| Predviđanje (ii): Korelacija, regresija, klasifikacija (2+2) |
| Statističko zaključivanje iz podataka (i) (2+2) |
| Zaključivanje (ii): Testiranje hipoteza, pouzdanost, pogreške u zaključivanju (2+2) |
| Praktično strojno učenje za obradu podataka (2+2) |
| Pristupi obradi masivnih skupova podataka (2+2) |
| Primjene podatkovne znanosti u obradi slike i teksta (2+2) |
| Podatkovna znanost u društvenim istraživanjima (2+2) |
| Etička pitanja u podatkovnoj znanosti (2+2) |
| Ograničenja i aktivna područja istraživanja (2+2) |
| Priprema za ispit (2+2) |
| Vrste izvođenja nastave |
| - Predavanja - Vježbe - Samostalni zadaci |
| Obveze studenata |
| Usmeni ispitPrikazi seminarskih radovaSamostalni zadaci |
| Praćenje rada studenata (ECTS) |
| - Pohađanje nastave (1.5) - Seminarski rad (1) - Usmeni ispit (2.5) |
| Ocjenjivanje i vrjednovanje rada studenata |
| Usmeni ispit (70%), seminari (30%) |
| Obvezna literatura |
| Grus: Data Science from Scratch---First Principles with Python. 2015. |
| Hastie, Tibshirani, Friedman. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2013. |
| Igual, Segui: Introduction to Data Science. 2017. |
| Izborna literatura |
| Znanstveni radovi i popularni radovi iz područja podatkovne znanosti. |
| Načini praćenja kvalitete |
| Razgovor sa studentima, studentska evaluacija primjenom anonimne ankete, uspjeh studenata na ispitu, samoprocjena. |
| Izvedba |
|
Sveučilišni diplomski studij • Fizika i informatika; smjer: nastavnički (izborni 1. sem.) • Informatika; smjer: nastavnički (izborni 1. sem.) • Matematika; smjer: Računarski (obvezni 1. sem.) • Matematika; smjer: Statistika i računarstvo (izborni 1. i 3. sem.) • Matematika i informatika; smjer: nastavnički (izborni 3. sem.) • Podatkovna znanost i inženjerstvo (obvezni 1. sem.) |
| Napomene: Vrste nastave (tip): (P) Predavanja; (S) Seminari; (A) Auditorne vježbe; (PK) Vježbe u praktikumu; (L) Laboratorijske vježbe; (M) Metodičke vježbe; (TJ) Vježbe tjelesnog odgoja; (T) Terenske vježbe. Prije početka nastave moguće su rošade izvođača nastave u svrhu optimizacije opterećenja. Prikazana je testna verzija automatskog generiranja informacija. |