Zajęcia z Podstawy analizy danych w e-biznesie dla studiów magisterskich niestacjonarnych sobotnio-niedzielnych (223300).

Literatura:

Larry Rockoff: Język SQL Przyjazny podręcznik, Helion 2017

J.D. Ullman, J. Widom: Podstawowy wykład z systemów baz danych, WNT, W-wa, 2000

Marcin Szeliga, Danuta Mendrala: Praktyczny kurs SQL, Helion 2015

P. Biecek: Przewodnik po pakiecie R. 2017. GIS.

Krider R.E.: Customer and business analytics: applied data mining for business decision making using R, 2012, CRC Press;

Doligalski T., 2013, Internet w zarządzaniu wartością klienta, Warszawa, Oficyna Wydawnicza - Szkoła Główna Handlowa w Warszawie;

M. Lasek, Data Mining zastosowania w analizach i ocenach klientów bankowych, Oficyna Wydawnicza "Zarządzanie i Finanse", Warszawa 2002;

E. Gatnar, Symboliczne metody klasyfikacji danych, PWN, Warszawa 1998.

Dawid Wydra: Reklama Google AdWords w praktyce, Edgard, Warszawa 2014.

Zasady zaliczenia:

Kolokwium za maksymalnie 50 punktów. Nie ma możliwości poprawiania raz napisanego kolokwium.
Wysłanie w terminie projektu zespołowego i wprowadzona (osobiście) poprawnie modyfikacja w kodzie programu za maksymalnie 30 punktów.
Referat za maksymalnie 20 punktów.
Dla osób z usprawiedliwioną nieobecnością na kolokwium istnieje możliwość napisania egzaminu za maksymalnie 50 punktów.
Ocena wystawiona na podstawie sumy punktów według tabeli przeliczeniowej:

PUNKTY OCENA

< 50 2 (niedostateczny)

od 50 3 (dostateczny)

od 60 3,5 (dostateczny plus)

od 70 4 (dobry)

od 80 4,5 (dobry plus)

od 90 5 (bardzo dobry)

Projekt zespołowy (2-3 osoby)

Dla rzeczywistego zbioru danych napisać program w R, w którym dokonana jest analiza w oparciu o co najmniej jedną z wybranych metod eksploracji danych: regresja liniowa, regresja logistyczna, prognozowanie szeregów czasowych, drzewa klasyfikacyjne, sieci neuronowe. Na rozwiązanie zadania składa się:

zbiór danych w formacie csv,
kod źródłowy rozwiązania w programie R (wczytanie danych, analiza, wyświetlenie wyników, ewentualny zapis wyników do pliku),
raport w formacie pdf z danymi członków zespołu oraz opisem wykorzystanej metody/metod oraz wynikami analizy (w tym weryfikacją założeń wykorzystanej metody),
przesłanie wszystkich plików w spakowanej paczce mailem do dnia przed ostatnimi zajęciami laboratoryjnymi (przez jedną osobę z zespołu),
wprowadzenie modyfikacji w kodzie programu (osobiście).

Referat

Przygotowanie jednego zadania z rozwiązaniem z zakresu:

opis wybranej/wybranych funkcji biblioteki R (np. ggplot2, zoo, scatterplot3d, shiny, car, caret),
drzewa klasyfikacyjne i regresyjne,
analiza szeregów czasowych,
metody prognozowania,
ocena dopasowania modelu,
metody oceny błędów prognozy i ich skuteczności,
regresja logistyczna (binarna, wielomianowa),
regresja Poissona,
model probitowy,
testowanie normalności rozkładu,
dekompozycja szeregów czasowych,
sposoby badania stacjonarności szeregów czasowych,
wygładzanie wykładnicze,
metody desezonalizacji danych,
sieci neuronowe,
automatyzacja tworzenia raportów.

Referat powinnien obejmować:

przesłanie prezentacji/dokumentu/kodu mailem do dnia ostatnich zajęć,
opis zagadnienia, przykładowe zadania wraz z rozwiązaniem,

Plan przedmiotu:

Źródła i specyfika danych występujących w e-biznesie, metody ich pozyskiwania i metod analizy.
Wprowadzenie do środowiska obliczeń statystycznych i wizualizacji wyników R. Prezentacja graficznego interfejsu RStudio.
Podstawy składni języka R.
Język R: instrukcje warunkowe, pętle, funkcje.
Relacyjny model danych. Bazy danych w R.
Podstawy języka zapytań SQL.
Funkcje wierszowe i funkcje agregujące w języku zapytań SQL.
Połączenia i podzapytania w języku zapytań SQL.
Kolokwium.
Wybrane techniki wizualizacji danych. Wykorzystanie technik wizualizacji danych do przewidywania i porównywania zachowań klientów.
Wykorzystanie drzew decyzyjnych do analizy danych o klientach.
Drzewa klasyfikacyjne i regresyjne. Metoda CART. Implementacja przykładowych rozwiązań w R.
Charakterystyka systemów e-businessowych. Systemy CRM (Customer Relationship Management), ich architektura i funkcjonalność.
Wybrane metody eksploracji danych: regresja logistyczna. Szacowanie prawdopodobieństwa konwersji.
Wybrane metody eksploracji danych: modele szeregów czasowych. Przewidywanie wielkości sprzedaży.