Jak składać prace dyplomowe w LaTeX-u po polsku i angielsku (autor M. Gągolewski)
Przebieg procesu ,,dyplomowego”
Przykładowe prezentacje:
Zasady zaliczenia prezentacji:
- Prezentacja przygotowana w Latexu (beamer).
- 20 minut mówienia (około 20-25 slajdów) + 5 minut na dyskusję.
- Temat musi bazować na pracy naukowej (artykule), najlepiej po angielsku. Gdzie szukamy: https://scholar.google.com/, https://www.researchgate.net/, https://sci-hub.se/. Praca musi zawierać elementy matematyczne jak i elementy analizy danych/wyników (np. symulacje, eksperymenty na danych rzeczywistych).
Podstawowe działy statystyki i analizy danych, na temat których można pisać prace licencjackie z matematyki, obejmują:
- Statystyka opisowa. Metody opisu i prezentacji danych, takie jak miary tendencji centralnej, miary rozproszenia, histogramy i wykresy pudełkowe. (ŁS, TG, WW)
- Teoria prawdopodobieństwa. Podstawy matematyczne statystyki, modele probabilistyczne, rozkłady prawdopodobieństwa i twierdzenia graniczne. (ŁS, WW)
- Wnioskowanie statystyczne. Estymacja punktowa i przedziałowa, testowanie hipotez i analiza wariancji. (ŁS, WW)
- Regresja i analiza korelacji. Modele regresyjne (liniowe i nieliniowe), analiza zależności między zmiennymi, metody predykcji. (ŁS, TG, WW)
- Analiza szeregów czasowych. Modele i metody analizy danych czasowych, takie jak ARIMA, prognozowanie i wygładzanie wykładnicze. (PP, TG)
- Statystyka wielowymiarowa. Analiza danych z wieloma zmiennymi, metody takie jak analiza składowych głównych, analiza skupień i klasyfikacja. (ŁS, TG, WW)
- Statystyka nieparametryczna. Metody statystyczne niewymagające założeń o rozkładzie danych, testy rangowe i permutacyjne. (WW)
- Statystyka bayesowska. Podejście bayesowskie do wnioskowania statystycznego, zastosowanie twierdzenia Bayesa w analizie danych. (WW)
- Projektowanie eksperymentów. Planowanie i analiza eksperymentów, metody optymalizacji planów eksperymentalnych, blokowanie i randomizacja. (ŁS)
- Metody statystyczne w uczeniu maszynowym. Zastosowanie statystyki w algorytmach uczenia maszynowego, takich jak drzewa decyzyjne, SVM i sieci neuronowe. (ŁS, TG)
- Biostatystyka. Zastosowanie statystyki w naukach biologicznych i medycznych, analiza badań klinicznych i epidemiologicznych. (ŁS, TG, WW)
- Ekonometria. Zastosowanie metod statystycznych w ekonomii, modele ekonometryczne, analiza danych finansowych. (PP)
- Statystyka przestrzenna. Analiza danych przestrzennych, modele geostatystyczne, zastosowania w kartografii i GIS. (WW)
- Analiza przeżycia. Metody statystyczne dla danych cenzurowanych, modele czasu do zdarzenia, funkcje przeżycia. (TG)
- Kontrola jakości i niezawodność. Statystyczne metody oceny jakości procesów i produktów, karty kontrolne, analiza niezawodności. (WW)
- Metody Monte Carlo. Symulacje probabilistyczne, zastosowanie w integracji numerycznej i optymalizacji stochastycznej. (ŁS, TG, WW)
- Data Mining i eksploracja danych. Techniki odkrywania wzorców i zależności w dużych zbiorach danych, algorytmy analizy skupień i asocjacji. (ŁS, TG, WW)
- Wizualizacja danych. Metody prezentacji i interpretacji danych za pomocą narzędzi graficznych, infografiki. (TG)
- Statystyka obliczeniowa. Algorytmy i metody numeryczne w statystyce, zastosowanie programowania w analizie danych. (ŁS, TG)
- Teoria informacji. Miary informacji, entropia, zastosowania w statystyce i komunikacji. (TG)