Uniwersytet Warszawski, Wydział Chemii - Centralny System Uwierzytelniania
Strona główna

Sztuczna Inteligencja i Big Data w badaniach naukowych

Informacje ogólne

Kod przedmiotu: 1600-SZD-WM-NZI
Kod Erasmus / ISCED: 15.1 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0321) Dziennikarstwo Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Sztuczna Inteligencja i Big Data w badaniach naukowych
Jednostka: Szkoła Doktorska Nauk Społecznych
Grupy: Przedmioty 4EU+ (z oferty jednostek dydaktycznych)
Zajęcia metodologiczne i metodyczne - Szkoła Doktorska Nauk Społecznych
Punkty ECTS i inne: (brak) Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.
Język prowadzenia: angielski
Rodzaj przedmiotu:

fakultatywne
monograficzne
ogólnouniwersyteckie
seminaria doktoranckie
seminaria magisterskie
seminaria monograficzne
Skrócony opis:

Wykład 20 godz.
Pełny opis:

Wykład 20 godz.

Potencjał informacyjny sztucznej inteligencji (AI) i dużych zasobów informacyjnych (Big Data). w badaniach naukowych. Krytyczna rola: (1) technologii informacyjnych (potencjał informatyczny, obliczeniowy i komunikacyjny), (2) Big Data w oczekiwanych efektach wykorzystania (3) narzędzi/aplikacji AI i (4) statystyk. Narzędzia AI do analizy dużych zbiorów informacji i efektywnej komunikacji komputer-człowiek. Ilustracja znaczenia posiadania zasobów na przykładzie kluczowej funkcjonalności sztucznej inteligencji - Machine Learning (ML). Istota procesu budowania modelu/opisu obrazu badanego obiektu/zjawiska w przeszłości, w czasie rzeczywistym i predykcji, a także odkrywania trendów, zależności, prawidłowości w danych opisujących badany obiekt - przedmiot dociekań naukowych. Ilustracja potencjału Big Data, AI i statystyk, studiami przypadków: media, edukacja, historia, wybory prezydenckie/parlamentarne, fake news, medycyna, nowe technologie i inne.
Literatura:

1. Campos, R., Mangaravite V., Pasquali A., Jorge A.M., Nunes C., Jatowt A. (2018). YAKE! Collection-Independent Automatic Keyword Extractor. In Pasi G., Piwowarski B., Azzopardi L., Hanbury A. (Eds) Advances in Information Retrieval. ECIR 2018. Lecture Notes in Computer Science, vol. 10772. Springer, Cham. https://doi.org/10.1007/978-3-319-76941-7_80.

2. Gogołek W. i inni,; Citizen Big Data Refining on the example of the capital city of Warsaw. Analiza zasobów informacyjnych Big Data. Citizen Science na przykładzie miasta stołecznego Warszawy. Urban Development Issues, vol. 73 (2022), 08 https://doi.org/10.51733/udi.2022.73.08. https://drive.google.com/file/d/1d5sCFJSm6k6GN9XnUiPwp2ay_owsRacg/view?usp=sharing.

3. Gogołek W. Big Data o mediach. Dominanty świata mediów. „Studia Medioznawcze”, Tom 23 Nr 2, Opublikowane: 2022-06-30. Big Data o mediach. Dominanty świata mediów (studiamedioznawcze.eu) Widok Big Data o mediach. Dominanty świata mediów (studiamedioznawcze.eu)

4. Gogołek W. i inni, Machine learning. Edukacja i koronawirus. W: Teoretyczne i praktyczne aspekty pedagogiki medialnej, (red.) D. Siemieniecka, K. Majewska, Wydawnictwo UMK, Toruń 2021, s.189-204. ISBN 978-83-231-4551-6, eISBN 978-83-231-4552-3, https://doi.org/10.12775/978-83-231-4552-3.

5. Gogołek W. Refining Big Data, Bulletin of Science, Technology & Society; 1–6, © The Author(s) 2019; Article reuse guidelines: sagepub.com/journals-permissions; DOI: 10.1177/0270467619864012; journals.sagepub.com/home/bst.

  • 6. Gogołek W. i inni, Z badań nad wykorzystaniem rafinacja informacji sieciowej. Wybory prezydenckie i parlamentarne 2015. Studia Medioznawcze nr 3(62) 2015, Instytut Dziennikarstwa UW, Warszawa 2015, s. 31 – 43. From the research – refining the information from the net. Presidential and parliamentary elections in 2015, 2015 no. 3(62).

    http://studiamedioznawcze.pl/article.php?date=2015_3_62&content=gogolek&lang=en

    7. Gogołek W., i inni,, Z badań nad systemem rafinacji sieciowej Identyfikacja sentymentów, Studia Medioznawcze Media Studies 4 (67) 2016. http://studiamedioznawcze.pl/article.php?date=2016_4_67&content=gogolek&lang=pl

    8. Gogołek W. i inni, Rafinacja informacji sieciowych na przykładzie wyborów parlamentarnych. Część 2. Portale internetowe, konteksty medialne i merytoryczne, Studia Medioznawcze nr 3(54) 2013, Instytut Dziennikarstwa UW, Warszawa 2013, s. 153 - 161. http://studiamedioznawcze.pl/Numery/2013_3_54/pelny.pdf

    9. Gogołek W., i inni, Media Studies: Refining Network Information on the Example of Parliamentary Elections. Part 1. Blogs, Forums, Sentiment Analysis, 2012, no. 2(53) http://studiamedioznawcze.pl/article.php?date=2013_2_53&content=gogolek&lang=en.

    10. Gogołek W., i inni, Refining Network Information on the Example of Parliamentary Elections. Part 2, Internet Portals, Media and Content, 2012, no 3(53) http://studiamedioznawcze.pl/article.php?date=2013_3_54&content=gogolek&lang=en.

    11. Mayer-Schonberger, V., & Cukier, K. (2017). Big Data, Rewolucja która zmieni nasze myślenie pracę i życie. Warszawa: MT Biznes.

    12. PwC. (2018). Perspektywy Rozwoju Branży Rozrywki I Mediów W Polsce 2018-2022. Link https://www.pwc.pl/pl/pdf/publikacje/2018/media-i-rozrywka-2018-raport-pwc.pdf.

    13. Pruchnik, P., Identyfikacja trendów w polskich mediach na przykładzie kwartalnika „Studia Medioznawcze” (2019). Wykorzystanie narzędzi Big Data, Studia Medioznawcze, Warszawa 2019. Link https://studiamedioznawcze.eu/index.php/studiamedioznawcze/article/view/113/116

    14. Silge, J., & Robinson, D. (2019). Text Mining with R A Tidy Approach. Link z https://www.tidytextmining.com/.

    		•
    Efekty uczenia się:

    Znajomość podstawowych narzędzi z zakresu AI, Big Data i funkcji statystycznych pod kątem możliwości praktycznego wykorzystania tych funkcji na przykładach case studies z badań naukowych i komercyjnych.
    Metody i kryteria oceniania:

    opis wymagań związanych z uczestnictwem w zajęciach, w tym

    dopuszczalna liczba usprawiedliwionych nieobecności;

    Aktywność podczas zajęć. Dopuszczalne dwie nieobecności

    zasady zaliczenia zajęć i przedmiotu (w tym sesji poprawkowej);

    Ocena koncepcji wykorzystania sztucznej inteligencji i Big Data we własnej pracy dyplomowej lub innej wybranej pracy badawczej.

    metody weryfikacji efektów uczenia się;

    Wynik oceny aktywności na zajęciach (rozmowa, zadania problemowe) oraz ocena koncepcji wykorzystania sztucznej inteligencji i Big Data.

    kryteria oceny

    Wykonanie i ukończenie koncepcji wskazanej pracy badawczej.
    Praktyki zawodowe:

    brak

    Zajęcia w cyklu "Semestr letni 2023/24" (zakończony)

    Okres: 2024-02-19 - 2024-06-16
    Wybrany podział planu:
    Przejdź do planu
    Typ zajęć:
    Wykład, 20 godzin, 15 miejsc więcej informacji
    Koordynatorzy: Włodzimierz Gogołek
    Prowadzący grup: Włodzimierz Gogołek
    Lista studentów: (nie masz dostępu)
    Zaliczenie: Przedmiot - Zaliczenie
    Wykład - Zaliczenie
    Przedmiot dedykowany programowi:

    4EU+KURSY
    Skrócony opis:

    Potencjał informacyjny sztucznej inteligencji (AI) i dużych zasobów informacyjnych (Big Data). w badaniach naukowych. Krytyczna rola: (1) technologii informacyjnych (potencjał informatyczny, obliczeniowy i komunikacyjny), (2) Big Data w oczekiwanych efektach wykorzystania (3) narzędzi/aplikacji AI i (4) statystyk. Narzędzia AI do analizy dużych zbiorów informacji i efektywnej komunikacji komputer-człowiek. Ilustracja znaczenia posiadania zasobów na przykładzie kluczowej funkcjonalności sztucznej inteligencji - Machine Learning (ML). Istota procesu budowania modelu/opisu obrazu badanego obiektu/zjawiska w przeszłości, w czasie rzeczywistym i predykcji, a także odkrywania trendów, zależności, prawidłowości w danych opisujących badany obiekt - przedmiot dociekań naukowych. Ilustracja potencjału Big Data, AI i statystyk, studiami przypadków: media, edukacja, historia, wybory prezydenckie/parlamentarne, fake news, medycyna, nowe technologie i inne.
    Pełny opis: (tylko po angielsku)

    The information potential of Artificial Intelligence (AI) and large information resources (Big Data). In research. The critical role of (1) information technology (computing, computational and communication potential), (2) Big Data in the expected effects of using (3) AI tools/applications and (4) statistics. AI tools for analysing large sets of information and effective computer-human communication. Illustration of the importance of resource ownership using the example of a key functionality of artificial intelligence - Machine Learning (ML). The essence of the process of building a model/description of the studied object/phenomenon in the past, in real time and prediction, as well as discovering trends, relationships, regularities in the data describing the studied object - the subject of scientific research. Illustrating the potential of Big Data, AI and statistics with case studies: media, education, history, presidential/parliamentary elections, fake news, medicine, new technologies and others.
    Literatura:

    1. Campos, R., Mangaravite V., Pasquali A., Jorge A.M., Nunes C., Jatowt A. (2018). YAKE! Collection-Independent Automatic Keyword Extractor. In Pasi G., Piwowarski B., Azzopardi L., Hanbury A. (Eds) Advances in Information Retrieval. ECIR 2018. Lecture Notes in Computer Science, vol. 10772. Springer, Cham. https://doi.org/10.1007/978-3-319-76941-7_80.

    2. Gogołek W. i inni,; Citizen Big Data Refining on the example of the capital city of Warsaw. Analiza zasobów informacyjnych Big Data. Citizen Science na przykładzie miasta stołecznego Warszawy. Urban Development Issues, vol. 73 (2022), 08 https://doi.org/10.51733/udi.2022.73.08. https://drive.google.com/file/d/1d5sCFJSm6k6GN9XnUiPwp2ay_owsRacg/view?usp=sharing.

    3. Gogołek W. Big Data o mediach. Dominanty świata mediów. „Studia Medioznawcze”, Tom 23 Nr 2, Opublikowane: 2022-06-30. Big Data o mediach. Dominanty świata mediów (studiamedioznawcze.eu) Widok Big Data o mediach. Dominanty świata mediów (studiamedioznawcze.eu)

    4. Gogołek W. i inni, Machine learning. Edukacja i koronawirus. W: Teoretyczne i praktyczne aspekty pedagogiki medialnej, (red.) D. Siemieniecka, K. Majewska, Wydawnictwo UMK, Toruń 2021, s.189-204. ISBN 978-83-231-4551-6, eISBN 978-83-231-4552-3, https://doi.org/10.12775/978-83-231-4552-3.

    5. Gogołek W. Refining Big Data, Bulletin of Science, Technology & Society; 1–6, © The Author(s) 2019; Article reuse guidelines: sagepub.com/journals-permissions; DOI: 10.1177/0270467619864012; journals.sagepub.com/home/bst.

    6. Gogołek W. i inni, Z badań nad wykorzystaniem rafinacja informacji sieciowej. Wybory prezydenckie i parlamentarne 2015. Studia Medioznawcze nr 3(62) 2015, Instytut Dziennikarstwa UW, Warszawa 2015, s. 31 – 43. From the research – refining the information from the net. Presidential and parliamentary elections in 2015, 2015 no. 3(62).

    http://studiamedioznawcze.pl/article.php?date=2015_3_62&content=gogolek&lang=en

    7. Gogołek W., i inni,, Z badań nad systemem rafinacji sieciowej Identyfikacja sentymentów, Studia Medioznawcze Media Studies 4 (67) 2016. http://studiamedioznawcze.pl/article.php?date=2016_4_67&content=gogolek&lang=pl

    8. Gogołek W. i inni, Rafinacja informacji sieciowych na przykładzie wyborów parlamentarnych. Część 2. Portale internetowe, konteksty medialne i merytoryczne, Studia Medioznawcze nr 3(54) 2013, Instytut Dziennikarstwa UW, Warszawa 2013, s. 153 - 161. http://studiamedioznawcze.pl/Numery/2013_3_54/pelny.pdf

    9. Gogołek W., i inni, Media Studies: Refining Network Information on the Example of Parliamentary Elections. Part 1. Blogs, Forums, Sentiment Analysis, 2012, no. 2(53) http://studiamedioznawcze.pl/article.php?date=2013_2_53&content=gogolek&lang=en.

    10. Gogołek W., i inni, Refining Network Information on the Example of Parliamentary Elections. Part 2, Internet Portals, Media and Content, 2012, no 3(53) http://studiamedioznawcze.pl/article.php?date=2013_3_54&content=gogolek&lang=en.

    11. Mayer-Schonberger, V., & Cukier, K. (2017). Big Data, Rewolucja która zmieni nasze myślenie pracę i życie. Warszawa: MT Biznes.

    12. PwC. (2018). Perspektywy Rozwoju Branży Rozrywki I Mediów W Polsce 2018-2022. Link https://www.pwc.pl/pl/pdf/publikacje/2018/media-i-rozrywka-2018-raport-pwc.pdf.

    13. Pruchnik, P., Identyfikacja trendów w polskich mediach na przykładzie kwartalnika „Studia Medioznawcze” (2019). Wykorzystanie narzędzi Big Data, Studia Medioznawcze, Warszawa 2019. Link https://studiamedioznawcze.eu/index.php/studiamedioznawcze/article/view/113/116

    14. Silge, J., & Robinson, D. (2019). Text Mining with R A Tidy Approach. Link z https://www.tidytextmining.com/.
    Uwagi:

    -
    Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
    Właścicielem praw autorskich jest Uniwersytet Warszawski, Wydział Chemii.
    ul. Pasteura 1, 02-093 tel: +48 22 55 26 230 http://www.chem.uw.edu.pl/ kontakt deklaracja dostępności mapa serwisu USOSweb 7.1.1.0-3 (2024-12-18)