Učni načrt predmeta

Predmet:

Analiza senzorskih podatkov

Course:

Sensor Data Analysis

Študijski program in stopnja / Study programme and level	Študijska smer / Study field	Letnik / Academic year	Semester / Semester
Senzorske tehnologije, 3. stopnja	/	1	1
Sensor Technologies, 3rd cycle	/	1	1

Vrsta predmeta / Course type

Izbirni

Univerzitetna koda predmeta / University course code:

ST3-551

Predavanja Lectures	Seminar Seminar	Vaje Tutorial	Klinične vaje work	Druge oblike študija	Samost. delo Individ. work	ECTS
15	15			15	105	5

*Navedena porazdelitev ur velja, če je vpisanih vsaj 15 študentov. Drugače se obseg izvedbe kontaktnih ur sorazmerno zmanjša in prenese v samostojno delo. / This distribution of hours is valid if at least 15 students are enrolled. Otherwise the contact hours are linearly reduced and transfered to individual work.

Nosilec predmeta / Course leader:

prof. dr. Dunja Mladenić

Sodelavci / Lecturers:

Jeziki / Languages:

Predavanja / Lectures:

Slovenski ali angleški / Slovene or English

Vaje / Tutorial:

Pogoji za vključitev v delo oz. za opravljanje študijskih obveznosti:

Prerequisits:

Vsebina:

Content (Syllabus outline):

Osnovne lastnosti senzorskih podatkov in metapodatkov za potrebe analize senzorskih podatkov, vključno s statističnimi podatki, podatki o lokaciji senzorjev in dinamičnimi podatki povezanimi s časom.

Primerjava obravnavanja senzorskih podatkov iz podatkovne baze in senzorskih podatkov, pridobljenih v realnem času.

Predprocesiranje senzorskih podatkov, vključno s čiščenjem podatkov in bogatenjem podatkov z uporabo predznanja in/ali konteksta.

Integracija drugih relevantnih podatkov (npr. vreme, tekstovna sporočila) s senzorskimi podatki.

Osnovne in napredne metode za analizo senzorskih podatkov, vključno s prepoznavanjem vzorcev, detekcijo anomalij, modeliranjem in napovedovanjem.

Poglobljeno individualno delo na obravnavi realnega primera iz študentovega raziskovalnega dela: izbira primernih podatkov in relevantnega problema, ki ga bo študent obravnaval z metodami analize senzorskih podatkov, izbira primernih pristopov za predprocesiranje podatkov in metod za analizo podatkov.

Temeljna literatura in viri / Readings:

Cilji in kompetence:

Objectives and competences:

Cilji: 
- poznavanje lastnosti senzorskih podatkov in metapodatkov ter pomembnosti upoštevanja lokacije senzorjev in časa senzorskih meritev, 
- razumevanje obravnavanja senzorskih podatkov, predprocesiranja senzorskih podatkov in integracije različnih podatkovnih virov, 
- razumevanje in uporaba različnih metod za analizo senzorskih podatkov, 
- primerjava in uporaba primernih virov podatkov glede na zahteve dane aplikacije, izbira ustreznih korakov predprocesiranja, metod za analizo podatkov in načina ovrednotenja rezultatov analize.

Kompetence: 
- sposobnost primerjalne analize senzorskih podatkov glede na lastnosti in zahteve, 
- sposobnost realizacije smiselnega in izvedljivega zaporedja akcij za obravnavo in predprocesiranje senzorskih podatkov ter povezovanje z drugimi podatki, 
- sposobnost izbire in uporabe primerne metode za analizo potencialno velikih količin senzorskih podatkov, 
- sposobnost eksperimentalnega ovrednotenja in primerjave rezultatov analize senzorskih podatkov.

Objectives: 
- knowing properties of sensor data and sensor metadata and importance of considering sensor location and time sensor measurement when relevant, 
- understanding handling of sensor data, data pre- processing and integration of different data sources potentially of different modality, 
- understanding and using sensor data analysis methods, 
- comparing and choosing the appropriate data sources for a given application requirements of sensor data analysis, selecting pre-processing steps, suitable data analysis methods and experimental setting.

Competencies: 
- ability of comparative analysis of sensor data based on their properties and in relation to the a     application requirements, 
- constructing a meaningful, feasible pipeline for handling and pre-processing sensor data and connection to other data, 
- capability of selecting and applying sensor data analysis methods on potentially large amount of data potentially arriving with high intensity over data stream, 
- capability of evaluating and comparing results of sensor data analysis.

Predvideni študijski rezultati:

Intendeded learning outcomes:

Metode poučevanja in učenja:

Learning and teaching methods:

Načini ocenjevanja:

Delež v % / Weight in %

Assesment:

Seminarska naloga s predstavitvijo in zagovorom rešitve izbranega primera

60 %

Seminar work with presentation and defence of the solution for the selected problem

Ustni izpit

40 %

Oral exam

Reference nosilca / Lecturer's references:

1.	ROŽANEC, Jože Martin, TRAJKOVA, Elena, KENDA, Klemen, FORTUNA, Blaž, MLADENIĆ, Dunja. Explaining bad forecasts in global time series models. Applied sciences. 2021, vol. 11, no. 19, str. 9243-1-9243-23. ISSN 2076-3417. DOI: 10.3390/app11199243.
2.	GROBELNIK, Marko, MLADENIĆ,Dunja. Automated knowledge discovery in advanced knowledge management. Journal of knowledge management, ISSN 1367-3270, 2005, vol. 9.
3.	DOYLE, Casey, HERGA, Zala, DIPPLE, Stephen, SZYMAŃSKI, Bolesĺaw K., KORNISS, Gyorgy, MLADENIĆ, Dunja. Predicting complex user behavior from CDR based social networks. Information sciences. [Print ed.]. 2019, vol. 500, 217-228. ISSN 0020-0255. DOI: 10.1016/j.ins.2019.05.082.
4.	KENDA, Klemen, MLADENIĆ, Dunja. Autonomous sensor data cleaning in stream mining setting. Business systems research journal : international journal of the Society for Promotion of Business Information Technology (BIT). 2018, vol. 9, no. 2, str. 69-79. ISSN 1847-8344. DOI: 10.2478/bsrj-2018-0020.
5.	SENOŽETNIK, Matej, BRADEŠKO, Luka, ŠUBIC, Tine, HERGA, Zala, URBANČIČ, Jasna, ŠKRABA, Primož, MLADENIĆ, Dunja. Estimating point-of-interest rating based on visitors geospatial behaviour. Computer science and information systems. [Print ed.]. 2019, vol. 16, no. 1, str. 131-154. ISSN 1820-0214. DOI: 10.2298/CSIS171212011S.