Standardowy Sylabus Przedmiotu Specjalnościowego „



Pobieranie 93.39 Kb.
Data09.05.2016
Rozmiar93.39 Kb.







Nowy Program Studiów

2009/2010

Standardowy Sylabus Przedmiotu Specjalnościowego „ZAWANSOWANE METODY ANALIZ STATYSTYCZNYCH „ – SPECJALNOŚĆ: ANALIZY STAYSTYCZNE I DATA MINING „


Koordynator przedmiotu:
dr hab. prof. SGH Ewa Frątczak


Wykładowcy uczestniczący w opracowaniu sylabusa:

  1. dr hab. prof. SGH Ewa Frątczak

  1. dr Wioletta Grzenda

  1. dr Zdzisław Piasta

  1. dr Aneta Ptak-Chmielewska

  1. mgr Iga Sikorska

Sygnatura:


Tytuł oferty

ZAWANSOWANE METODY ANALIZ STATYSTYCZNYCH




Ang.

ADVANCED STATISTICAL ANALYSIS METHODS





Część A



Syntetyczna charakterystyka przedmiotu (około 400 znaków):

(opis w jęz. polskim)
Przedmiot obejmuje wybrane zaawansowane metody analiz statystycznych, w tym: uogólnione modele liniowe, modele mieszane, modele i analizy wielopoziomowe, analizę zmiennych jakościowych i modele zmiennych ukrytych, wykorzystanie metod Monte Carlo opartych na łańcuchach Markowa w statystyce bayesowskiej oraz techniki doskonalenia jakości danych.

Uogólnione modele liniowe obejmują filozofię estymacji oraz zastosowania do wybranych danych empirycznych.

Zagadnienie modeli mieszanych obejmuje: teorię modeli mieszanych, typologię i zagadnienie estymacji, selekcję modeli , wnioskowanie na bazie modeli mieszanych i praktyczne estymację i weryfikacje wybranych typów modeli.

Analizy i modele wielopoziomowe obejmują filozofie modelowania, zagadnienia estymacji różnych typów modeli: modele z losowym wyrazem wolnym, z losowym współczynnikiem nachylenia oraz modele z losowym wyrazem wolnym i losowym współczynnikiem nachylenia.

Pierwszy segment zajęć z zakresu analizy zmiennych jakościowych i modeli zmiennych ukrytych prezentuje zagadnienia analizy współzależności zmiennych jakościowych oraz podstawowe metody modelowania zmiennych jakościowych. Drugi segment zajęć przedstawia szczegółowo metodę analizy zmiennych ukrytych w ujęciu poprzecznym i wzdłużnym, jako przykłady modelowania cech o charakterze jakościowym.

Zagadnienia dotyczące statystyki Bayesowskiej oraz metod Monte Carlo opartych na łańcuchach Markowa wykorzystane są do estymacji różnych modeli statystycznych.

Techniki doskonalenia jakości danych prowadzą do poprawy jakości informacji otrzymywanych na podstawie danych, a także decyzji bazujących na pozyskanej z danych wiedzy.

Zdobyte umiejętności dają podstawy do realizacji projektów dotyczących analizy danych ubezpieczeniowych, finansowych, telekomunikacyjnych i innych. Podczas praktycznych ćwiczeń stosowane są różne pakiety komputerowe.




(opis w jęz. angielskim)
The course includes selected advanced statistical methods including: generalized linear models, mixed models, multilevel models and analysis, the categorical data analysis, Bayesian statistics, Markov Chain Monte Carlo method and techniques of quality data improvement.

Generalized linear models include philosophy of estimation and application based on empirical data.

The subject of mixed models includes: theory, classification , selection of the mixed model; next inference and test statistics and empirical estimation of different types mixed models. Methods and multilevel analyses include philosophy of modeling, theory and estimation different types of multilevel models, ie. model with random intercept, model with random slope, model with random intercept and random slope.

The first part of the categorical data analysis presents the correlation analysis approach applied to categorical variables and the basic methods of categorical data modeling. Second part focuses on the latent class analysis (LCA) and latent transition analysis (LTA), as examples of modeling categorical variables in order to poses latent information.

Bayesian statistics and the Markov Chain Monte Carlo method are used to estimate different statistical models.

Applying techniques of data quality improvements leads to better quality information obtained from data, as well as better decisions based on knowledge discovered in data.



The course provides the background to realize projects including data analysis in insurance, financial, telecommunication and other sectors. Computer software systems are used for practical exercises.



Część B


Cele zajęć z przedmiotu:

(opis w jęz. polskim)
Celem zajęć jest przekazanie studentom wiedzy dotyczącej zawansowanych metod analiz statystycznych
z wykorzystaniem różnych pakietów komputerowych, w tym systemu SAS, oraz wykształcenie umiejętności praktycznego stosowania tych metod.


(opis w jęz. angielskim)
The objective of the course is to provide students with the knowledge on advanced statistical analysis methods using software systems including SAS and ability to apply these methods in practice.


Efekty kształcenia:

To stwierdzenia określające, co student powinien wiedzieć, rozumieć i/lub potrafić zrobić po zakończeniu okresu kształcenia (w ramach przedmiotu). W tych stwierdzeniach należy używać czasowników w stronie czynnej, odnoszącej się do wiedzy, rozumienia, praktycznego zastosowania, analizy, syntezy, oceny, itp.)

Wiedza

(opis w jęz. polskim)
Student powinien być w stanie:


  1. znać filozofię estymacji uogólnionych modeli liniowych

  2. znać obszary zastosowania uogólnionych modeli liniowych

  3. znać teorię i filozofię modeli mieszanych i modeli wielopoziomowych

  4. znać metody estymacji i kryteria stosowania modeli mieszanych i modeli wielopoziomowych

  5. znać możliwości praktycznego zastosowania modeli mieszanych i modeli wielopoziomowych

  6. rozróżniać: rodzaje zmiennych jakościowych i znać miary współzależności

  7. umieć kodować zmienne oraz wyróżniać modele służące do ich analizy

  8. rozumieć koncepcję analizy tablic kontyngencji oraz estymacji Metodą Największej Wiarygodności

  9. rozumieć koncepcję zmiennej ukrytej oraz istotę analizy zmiennych ukrytych
    w ujęciu porzecznym i wzdłużnym

  10. znać i rozumieć podstawowe pojęcia oraz metody statystyki bayesowskiej

  11. znać i rozumieć podstawowe pojęcia metod Monte Carlo opartych na łańcuchach Markowa

  12. rozróżniać poszczególne kategorie jakości danych oraz posługiwać się miarami jakości danych,

  13. umieć stosować techniki doskonalenia jakości na rzeczywistych danych.




(opis w jęz. angielskim)
The student should:


  1. know philosophy of generalized linear models estimation

  2. know the areas of generalized linear models application

  3. know history and philosophy of mixed and multilevel models

  4. know methods of estimation and criterion of mixed and multilevel model implementation

  5. know possibilities of practical application of mixed and multilevel on the empirical data

  6. distinguish types of categorical variables and know basic measures of correlation applied to categorical data

  7. code categorical variables and know methods of categorical data analysis

  8. understand the concept of contingency tables and Maximum Likelihood Estimation

  9. understand the concept of latent variable, latent class and latent transition analysis

  10. know and understand basic notions and methods of Bayesian statistics

  11. know and understand basic notions of Markov Chain Monte Carlo methods

  12. distinguish types of categories of data quality and know how to use data quality measures.

  13. know how to apply data quality improvements tools on real world databases.




Umiejętności

(opis w jęz. polskim)
Student powinien umieć:


  1. zastosować uogólnione modele liniowe na wybranych danych empirycznych

  2. zinterpretować wyniki estymacji uogólnionych modeli liniowych

  3. ocenić przydatność modeli mieszanych i modeli wielopoziomowych w kontekście problemu badawczego

  4. zastosować metody estymacji modeli mieszanych i wielopoziomowych

  5. estymować i weryfikować modele mieszane i wielopoziomowe

  6. interpretować wyniki estymacji obu typów modeli

  7. umieć kodować zmienne jakościowe, interpretować podstawowe miary współzależności pomiędzy zmiennymi jakościowym

  8. znać podstawowe techniki analizy danych jakościowych

  9. przygotować zbiór danych do analizy modeli zmiennych ukrytych w ujęciu poprzecznym i wzdłużnym

  10. estymować i weryfikować modele zmiennych ukrytych

  11. interpretować wyniki analizy zmiennych ukrytych

  12. włączać wiedzę a priori do modelu statystycznego

  13. estymować bayesowskie modele statystyczne

  14. umieć zidentyfikować typ problemu i zastosować właściwe narzędzia poprawy jakości danych,

  15. umieć oceniać jakość danych pochodzących z badań ankietowych oraz określać wpływ błędów na wyniki analizy danych.




(opis w jęz. angielskim)
The student should be able :


  1. apply generalized linear models on empirical data

  2. interpret results of generalized linear models estimation

  3. evaluate the context of application mixed and multilevel models to solve the research problem

  4. apply the different methods of estimation of mixed and multilevel models

  5. be able to estimate and evaluate the results of estimation both the mixed and multilevel models

  6. interpret the different types of results model estimation for both types of models

  7. know how to code and interpret categorical variables as well as interpret basic measures of correlation analysis applied to the categorical data

  8. know basic method of categorical data analysis

  9. be able to prepare data set for the latent class and latent transition analysis

  10. be able to estimate and verify latent class and latent transition models

  11. interpret the output of the latent class models

  12. to include prior knowledge in a statistical model

  13. to estimate Bayesian statistical models

  14. identify the type of problem and use proper tools for data quality improvement,

  15. know how to evaluate quality of survey data and assess error effects on results of the data analysis.




Inne kompetencje

(opis w jęz. polskim)




(…)

(opis w jęz. angielskim)




(…)


Część C


Semestralny plan zajęć:

(opis w jęz. polskim)



  1. UML idea zastosowania. Założenia oraz główne składowe modelu.

  2. Rodzina rozkładów wykładniczych. Funkcja łącznikowa.

  3. Podstawowe metody estymacji modelu. Jakość modelu, zasady wyboru modelu optymalnego. Analiza reszt
    w modelu. Pozostałe zagadnienia.

  4. Przykłady zastosowań – przykłady estymacji i weryfikacji UML.

  5. Wprowadzenie do modeli mieszanych. Podstawowe definicje i koncepcje. Modele liniowe (LM) i liniowe modele mieszane. Uogólnione modele liniowe i uogólnione mieszane modele liniowe. Czynniki, poziomy, zakresy, efekty
    i dane. Modele z efektem stałym. Modele z efektem losowym. Stały czy losowy – problem wyboru? Typy
    i struktury danych do estymacji modeli. Specyfikacja modelu. Liniowe modele mieszane (LMM). Wnioskowanie.

  6. Ogólny liniowy model mieszany. Rozkład warunkowy i krańcowy. Estymacja liniowego modelu mieszanego. Metoda REML vs. ML. Inne metody estymacji dostępne w SAS. Zagadnienia estymacji obliczeń.

  7. Podstawowe zasady wyboru modelu. Formułowanie hipotez i ich testowanie. Test stosunku wiarygodności
    dla parametrów efektów stałych. Alternatywne testy dla parametrów kowariancji. Strategia budowy modelu. Weryfikacja założeń modelu – diagnostyka. Inne zagadnienia LMM.

  8. Typologia modeli mieszanych. Oprogramowanie SAS i STATA do estymacji różnych modeli mieszanych. Narzędzia systemu SAS do zmiennych odpowiedzi o rozkładzie normalnym i zmiennych odpowiedzi o rozkładach innych niż normalny.

  9. Estymacja i weryfikacja modeli mieszanych z wykorzystaniem SAS’a i STATY – przykłady.

  10. Wprowadzenie do analizy wielopoziomowej – historia, podstawowe koncepcje. Ogólne podejście i niezbędna wiedza. Podstawowe zasady analizy wielopoziomowej. Podstawowe klasyfikacje modeli według: typu ( rozkładu zmiennej zależnej); typu struktury danych; typu struktury wariancji; innej typologii i klasyfikacji.

  11. Podstawowy model dwupoziomowy. Estymacja parametrów, model struktury wariancji. Model dwupoziomowy
    z: losowym wyrazem wolnym, z losowym współczynnikiem nachylenia. Diagnostyka modelu. Estymacja
    i weryfikacja.

  12. Model dwupoziomowy. Model trzypoziomowy i bardziej kompleksowa, hierarchiczna struktura danych.

  13. Analiza wielopoziomowa z różną postacią zmiennej zależnej (logistyczna analiza wielopoziomowa, logistyczna analiza wielopoziomowa z rozkładem o postaci wielomianu, analiza wielopoziomowa z rozkładem Poissona, wzdłużna (longitudinalna) analiza wielopoziomowa). Model wielopoziomowy dla powtórzonych pomiarów.

  14. Podstawowe oprogramowanie dla analizy wielopoziomowej (SAS, Mlwin, STATA). Estymacja i weryfikacja modeli wielopoziomowych z wykorzystaniem: SAS, Mlwin oraz STATY.

  15. Zmienne jakościowe, rodzaje, sposoby kodowanie. Podstawowe miary współzależności pomiędzy zmiennymi jakościowymi. Analiza tablic kontyngencji. Estymacja metodą największej wiarygodności.

  16. Koncepcja regresji logistycznej jako przykład metody analizy zmiennych jakościowych. Istota analizy zmiennych ukrytych w ujęciu poprzecznym oraz wzdłużnym. Interpretacja parametrów w modelach zmiennych ukrytych.

  17. Estymacja i weryfikacja modeli zmiennych ukrytych w ujęciu wzdłużnym i porzecznym. Dodatkowe zagadnienia (zmienne grupujące, zmienne kontrolujące, aplikacja modelu zmiennych ukrytych do modelowania regresji logistycznej o postaci wielomianu).

  18. Algorytm estymacji modeli zmiennych ukrytych w ujęciu poprzecznym. Estymacja modelu. Interpretacja uzyskanych wyników.

  19. Algorytm estymacji modeli zmiennych ukrytych w ujęciu wzdłużnym. Estymacja modelu. Interpretacja uzyskanych wyników.

  20. Idea metod bayesowskich. Podejście klasyczne a podejście bayesowskie. Rozkłady a priori. Rozkłady a posteriori.

  21. Wnioskowanie bayesowskie. Estymacja punktowa. Bayesowskie przedziały ufności. Weryfikacja hipotez. Hierarchiczne i empiryczne modele bayesowskie. Porównywanie modeli.

  22. Metody Monte Carlo oparte na łańcuchach Markowa. Wybrane własności łańcuchów Markowa. Rozkłady stacjonarne. Twierdzenia ergodyczne. Metody Monte Carlo w statystyce bayesowskiej. Metody Monte Carlo
    z funkcją ważności.

  23. Nowoczesne metody symulacji. Algorytm Metropolisa. Algorytm Metropolisa-Hastingsa. Próbnik Gibbsa. Testy zbieżności łańcuchów Markowa.

  24. Przykłady zastosowań metod MCMC w statystyce bayesowskiej w systemie SAS. Bayesowska estymacja modeli regresji liniowej. Bayesowska estymacja wielowymiarowych modeli regresji. Bayesowska estymacja uogólnionych modeli liniowych. Inne modele bayesowskie.

  25. Etapy budowy modeli – podejście bayesowskie a tradycyjne. Wybór rozkładów a priori. Zagadnienia dotyczące wyboru realizacji łańcucha Markowa. Interpretacja wyników.

  26. Kategorie jakości danych: jakość wewnętrzna (dokładność, obiektywność, wiarygodność), kontekst (relewantność, aktualność, kompletność), dostępność, reprezentacja (łatwość zrozumienia, zwięzłość, spójność).

  27. Kompleksowe zarządzanie jakością danych (TDQM) – zasady, miary jakości danych i narzędzia doskonalenia jakości danych.

  28. Wyznaczanie wartości miar jakości danych ze względu na różne kategorie na rzeczywistych zbiorach danych, doskonalenie jakości danych pochodzących z badań ankietowych.

  29. Normalizacja i standaryzacja danych, przekształcanie i modyfikacja zmiennych.

  30. Stosowanie narzędzi doskonalenia jakości danych, poprawa spójności i dokładności danych, parsing danych.




(opis w jęz. Angielskim)


  1. Generalized linear models – philosophy of application. Assumptions and basic components of the model.

  2. Exponential functions family. Link functions.

  3. Basic estimation methods. Model’s quality and rules of selection of optimal model. Errors in the model. Other issues.

  4. Examples of application – examples of estimation and GLM verification.

  5. Introduction to mixed models. Basic definitions and concepts. Linear models (LM) and linear mixed models (LMM). Generalized linear models and GLMMS. Factors, levels, cells, effects and data. Fixed effects models. Random Effects model. Fixed or random – selection problem? Types and structures of data sets. Model Specification. Linear mixed models (LMMs). Inference.

  6. The General Linear Mixed Model. Conditional and Marginal Distribution. Estimation of linear mixed model. REML vs. ML Estimation, another method of estimation available in SAS software. Computation Issues.

  7. Basic concepts of model selection. Hypothesis specification and testing. Likelihood –ratio test for fixed –effects parameters. Alternative tests for covariance parameters. Model building strategies. Checking model assumptions – diagnostics. Other aspects of LMM’s.

  8. A typology for mixed models. SAS and STATA software to run various mixed models. Tools in SAS/STAT
    to: normal distributed response and for non-normal distributed response

  9. Estimation and evaluation mixed models with: SAS and STATA software an examples.

  10. Introduction to multilevel analysis – history and basic concepts. General approaches and prior knowledge. Basic principles of multilevel analysis. Basic model classification by: type (distribution of response variable); type of data structure; type of variance structure; other types of classification.

  11. The basic two level models. Parameter estimation, the variance components model.Two level models with random intercept and random coefficient. General model diagnosis. Hypothesis testing and confidence intervals.

  12. Two level models. Three level models and more complex hierarchical structure.

  13. Multilevel analysis with different outcome variables (logistic multilevel analysis, multinominal logistic multilevel analysis, Poisson multilevel analysis, multilevel analysis in longitudinal studies). Multilevel models for repeated measures data.

  14. Basic software for multilevel model estimation (SAS, MlWin and STATA). Estimation and evaluation selected multilevel models with: SAS, MlWin and STATA software.

  15. Categorical variables, types and different ways of coding. Correlation measures applied to categorical data. Contingency tables. Maximum Likelihood Method of estimation.

  16. Binary logistic regression as an example of categorical data analysis. Latent class modeling concept (LCA and LTA approach). Interpretation of the latent class models results.

  17. Estimation and verification of the latent class models (LCA and LTA). Additional aspects (grouping and controlling variables in LCA).

  18. Estimation procedure of the latent class analysis. Interpretation of the latent class analysis output.

  19. Estimation procedure of the latent transition analysis. Interpretation of the latent transition analysis output.

  20. Bayesian method. Bayesian approach vs. classical approach. Prior distributions. Posteriori distributions.

  21. Bayesian inference. Point estimation. Bayesian interval estimation. Hypothesis testing. Hierarchical and empirical Bayesian models. Comparison of models.

  22. The Markov Chain Monte Carlo method. Some properties of Markov chains. Stationary distributions. Ergodic theorems. Monte Carlo method in Bayesian statistics. Monte Carlo method with importance function.

  23. Modern model estimation. Metropolis algorithm and Metropolis-Hastings algorithm. Gibbs sampler. Assessing Markov chain convergence.

  24. Examples of applications of MCMC method in Bayesian statistics in SAS system. Bayesian analysis of linear regression models. Bayesian analysis of multivariate regression models. Bayesian analysis of generalized linear models. Other Bayesian models.

  25. Stages of a model building –Bayesian approach vs. traditional approach. The selection of prior distributions.
    The selection of realizations of the Markov chain. Interpretation of results.

  26. Data quality categories: intrinsic (accuracy, objectivity, believability), accessibility, contextual (relevancy, timeliness, completeness), representational (easy of understanding, concise and consistent representation).

  27. Total Data Quality Management – principles, measures of data quality, and data quality improvement tools.

  28. Computing values of data quality measures in various categories using real world databases, quality improvement
    of survey data.

  29. Data normalization and standardization, variable transformation and modification.

  30. Using data quality improvement tools, improving consistency and accuracy of data, data parsing.





Literatura podstawowa:

  1. Agresti A. An introduction to categorical data analysis. Second edition. Wiley, 2007.

  2. Agresti A. Categorical data analysis. Second edition. Wiley, 2002.

  3. Bernardo J. M., Smith A. F. M. Bayesian Theory. Wiley Series in Probability and Statistics, 2004.

  4. Demidenko E. Mixed Models. Theory and Applications. Wiley Series in Probability and Statistics, 2004.

  5. Robert Ch. P., Casella G. Monte Carlo Statistical Methods. Second Edition. Springer Texts in Statistics, 2004.

  6. Frątczak E. Analiza wielopoziomowa – przykłady zastosowań. Praktyczny podręcznik biostatystyki
    i epidemiologii. Tłumaczenie na j. polski pracy J.W.R. Twiska. Oficyna Wydawnicza SGH, 2009, (praca
    w druku).

  7. Frątczak E. i inni. Zaawansowane metody analiz statystycznych. Teoria - przykłady zastosowań. Oficyna Wydawnicza SGH, 2009, (praca w druku).

  8. Gamerman D., Lopes H. F. Markov Chain Monte Carlo. Stochastic Simulation for Bayesian Inference. Second edition. Chapman & Hall (CRC Press), 2006.

  9. Goldstein H. Multilevel Statistical Models. 3th edition. Arnold, Londyn, 2003.

  10. Hagenaars J. A., McCutcheon A. L. Applied Latent Class Analysis. Cambridge University Press, 2009.

  11. Hardin J. W., Hilbe J. M. Generalized linear models and extensions. Second edition. Stata Press, 2007.

  12. Lanza S. T., Flaherty B. P., Collins L. M. Latent Class and Latent Transition Analysis. Handbook of sociology, 2003.

  13. Jan de Leew, E. Meijer. (Eds.) Handbook of Multilevel Analysis. Springer, 2008.

  14. McCulloch C. E., Searle R. S., Neuhaus J. M. Generalized, Linear and Mixed Models. Second edition. Wiley, 2009.

  15. Stokes M. E., Davis Ch. S., Koch G. G. Categorical Data Analysis Using The SAS System. Second edition.

  16. Twisk J. W. R. Applied Multilevel Analysis. Cambridge University Press, 2006.

  17. West B.T., Welch. K. B., Gałecki A. T. Linear Mixed Models. A Practical Guide Using Statistical Software. Chapman & Hall/CRC, 2007.

  18. SAS for Mixed Models. Second Edition. SAS Institute Publications 2006.

  19. SAS Institute Inc., SAS/STAT SAS Online Doc, SAS Institute Inc.

  20. Richard Y. Wang R. Y., Pierce E. M., Stuart E. Madnick S. E., and Fisher C. W., Information Quality, Armonk, NY: M.E. Sharpe, 2005

  21. Biemer P. P., Lyberg L. E., Introduction to Survey Quality, Wiley, New York, 2003.

  22. Lyberg L., Biemer P., Collins M., De Leeuw E., Dippo C., Schwarz N. and Trewin D. (eds), Survey Measurement and Process Quality, Wiley, New York, 1997.




Literatura uzupełniająca:

  1. Der B., B.S.Everitt, A Handbook of Statistical Analyses using SAS. Second edition. New York, 2002.

  2. Fish M. Rachunek prawdopodobieństwa i statystyka matematyczna. PWN, 1969.

  3. McLachlan and Peel. Finite Mixture Models. Wiley. New York, 2000.

  4. Raudenbush, S. W., Bryk, A. S. Hierarchical Linear Models. Sage2002. Statistics, 2004.

  5. Snijders T. A. B., Bokser R. J. Multilevel analysis. An introduction to Basic and advanced multilevel modeling. Sage Publication, 1999.

  6. http://support.sas.com/onlinedoc/913/docMainpage.jsp




Część D


Prerekwizyt (jeśli wymagany, to nazwa przedmiotu lub rodzaj wiedzy z zakresu : statystyki, metod analiz statystycznych, realizacji przedmiotów : regresja logistyczna i analiza historii zdarzeń…):




Proponowane usytuowanie przedmiotu w planie studiów:

Rok studiów: 1 ,2

Semestr: 2,3,4



Proponowana liczba punktów ECTS za przedmiot (w stosunku do 30 ECTS za semestr): 6


Wymiar i forma zajęć (w godzinach)


Metody zajęć:

(opis w jęz. polskim)
Podstawowe metody prowadzenia zajęć
to wykład i zajęcia praktyczne w postaci ćwiczeń. Wykład jest prowadzony metodą tradycyjną przy zastosowaniu środków audiowizualnych. Na ćwiczeniach studenci uczą się stosować wiedzę teoretyczną
do rozwiązywania konkretnych problemów
i zadań przy użyciu wybranych pakietów komputerowych.


(opis w jęz. angielskim)
The course is composed of lectures and exercises i.e. classical lecture with the use
of audio-visual techniques and classes based on problem solving and practical standard exercises in software systems.


Ogółem


Studia stacjonarne


i popołudniowe



Propozycja dla studiów niestacj. sob-niedz.







60

60

Kejsy (Tak / Nie)

Wykład

32

32

Gry (Tak / Nie)

Ćwiczenia

28

28

Referaty (Tak / Nie)

Konwersatorium







Dyskusje (Tak / Nie)

Laboratorium







Przy udziale praktyków (Tak / Nie)

Inna forma (jaka?)







Inne (jakie?)

Elementy oceny końcowej (ogółem 100%), w tym:

Charakterystyka wymagań w trakcie zajęć
i na egzaminie końcowym:


Egzamin pisemny-tradycyjny




opis w jęz. polskim)
Przygotowanie projektów dla poszczególnych bloków tematycznych. Przygotowanie prezentacji na wybrane zagadnienia merytoryczne, kartkówki w trakcie zajęć.
Egzamin składa się z dwóch części:

  1. teoretyczna

  2. praktyczna (estymacja i weryfikacja modeli analizy historii zdarzeń w laboratorium)

(opis w jęz. angielskim)


Project elaboration for selected subject blocs.

Elaboration of PP presentations dealing with the scientific subjects of event history analysis, short testing during lectures or laboratory.


Exam consist of two parts:

  1. theoretical written forms,

  2. practical ( estimation and testing different type of event history models in laboratory).




Egzamin testowy

50%

Egzamin ustny



Kolokwium




Prace domowe, referaty

50%

Ocena z ćwiczeń




Inne (jakie?)




Kryteria selekcji na zajęcia:

Inne uwagi:

Lista rankingowa (Tak / Nie)

Wielkość grupy ćwiczeniowej

15

Kolejność zgłoszeń (Tak / Nie)

Wymóg laboratorium komputerowego

Tak

Ocena z prerekwizytu (Tak, jakiego? / Nie )

Sala wyposażona w video




Znajomość języka (Tak, jakiego? Angielskiego / Nie )

Inne (jakie?)
opis w jęz. polskim)

(opis w jęz. angielskim)










©absta.pl 2019
wyślij wiadomość

    Strona główna