Uniwersytet Rolniczy im. Hugona Kołłątaja w Krakowie - Centralny System Uwierzytelniania
Strona główna

Doświadczalnictwo leśne

Informacje ogólne

Kod przedmiotu: L.A1.DOS.SM.LLSSY
Kod Erasmus / ISCED: (brak danych) / (brak danych)
Nazwa przedmiotu: Doświadczalnictwo leśne
Jednostka: Zakład Biometrii i Produkcyjności Lasu
Grupy:
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.

zobacz reguły punktacji
Język prowadzenia: polski
Pełny opis:

"Co to jest nauka? Rodzaje podejść do badań naukowych. Etapy eksperymentu naukowego. Najczęstsze błędy w analizie wyników badań. Rzetelność naukowa a prezentowanie wyników badań.

Sposoby badania współzależności cech - korelacja i regresja. Współczynnik korelacji liniowej Pearsona. Współczynnik korelacji rang Spearmana. Prosta regresja liniowa i regresja wieloraka i warunki ich stosowania (normalność reszt, liniowość, homoskedastyczność, autokorelacja, współliniowość).

Budowa modeli regresyjnych. Linearyzowana regresja wieloraka. Regresja nieliniowa. Zmienne jakościowe w modelowaniu statystycznym, zmienne sztuczne (dummy variables). Ocena dokładności i testowanie modeli statystycznych.

Uogólnione modele addytywne - GAM. Wzmacniane drzewa klasyfikacyjne - BRT. Praktyczne zastosowanie modeli regresyjnych w leśnictwie.

Metody analiz dotyczących dwóch populacji. Testy parametryczne do porównania dwóch populacji - testy t – Studenta dla zmiennych zależnych i zmiennych niezależnych. Testy nieparametryczne dla dwóch populacji: test U – Manna-Whitneya, test serii Walda-Wolfowitza, test kolejności par Wilcoxona. Tabele dwudzielcze. Różnica pomiędzy dwoma wskaźnikami struktury.

Metody analiz dotyczących kilku populacji. Jednoczynnikowa analiza wariancji. Testy jednorodności wariancji. Testy post-hoc. Nieparametryczna analiza wariancji – Anova rang Kruskala-Wallisa. Wielokrotne porównanie średnich rang. Dwuczynnikowa analiza wariancji.

Sieci neuronowe - informacje podstawowe (typy sieci neuronowych; budowa sztucznego neuronu; struktura sieci; metody uczenia sieci – współczynniki uczenia i dobór ich wartości; metoda wstecznej propagacji błędu; problem minimów lokalnych; sieci samouczące się). Etapy i elementy konstrukcji modelu neuronowego (wybór odpowiedniej liczby warstw ukrytych, liczby neuronów w poszczególnych warstwach, określenie typu funkcji aktywacji neuronów w poszczególnych warstwach oraz sposobu uczenia sieci itd.). Zastosowania sieci neuronowych.

Struktura pracy naukowej. Zasady pisania prac naukowych i oprogramowanie usprawniające proces redakcji. Prezentowanie wyników badań doświadczalnych."

"Ogólne zasady korzystania z programów statystycznych, zarządzanie danymi, okna wyników, wykresy. Selekcja przypadków. Wykonywanie podstawowych analiz statystycznych, statystyka opisowa, wykresy.

Analiza współzależności cech. Korelacja i regresja. Regresja liniowa. Regresja wieloraka. Regresja wieloraka. Testowanie warunków stosowania regresji liniowej i wielorakiej (liniowość, rozkład reszt regresyjnych, autokorelacja, współliniowość). Linearyzowana regresja wieloraka. Regresja nieliniowa. Regresja liniowa i nieliniowa ze zmiennymi jakościowymi. Uogólnione modele addytywne - GAM. Wzmacniane drzewa klasyfikacyjne - BRT Wstępna analiza danych; pre- i postprocessing danych; modele regresyjne i klasyfikacyjne – sieci typu MLP i RBF; neuronowa analiza szeregów czasowych; analiza skupień – sieci Kohonena.

Testy parametryczne do porównania dwóch populacji i warunki ich stosowania. Testy t dla dwóch prób niezależnych, test t dla zmiennych zależnych. Testy nieparametryczne dla dwóch populacji: test U – Manna-Whitneya, test serii Walda-Wolfowitza, test kolejności par Wilcoxona. Tabele wielodzielcze. Różnica pomiędzy dwoma wskaźnikami struktury. Interpretacja wyników testów dotyczących dwóch populacji.

Jednoczynnikowa analiza wariancji. Testowanie warunków analizy wariancji, testy normalności, test jednorodności wariancji Levene'a. Testy post-hoc i podstawy ich doboru. Anova rang Kruskala-Wallisa. Wielokrotne porównanie średnich rang. Interpretacja wyników analizy wariancji. Praktyczne zastosowanie metod statystycznej analizy danych w badaniach przyrodniczych"

Literatura:

Podstawowa "1. Buchwald A., Statystyka matematyczna dla leśników, 1989.

2. James, G., Witten, D., Hastie, T., & Tibshirani, R. 2013. An Introduction to Statistical Learningw with Applications in R (1st ed.). New York: Springer-Verlag.

3. Quinn, Keough. 2002. Experimental Design and Data Analysis for Biologists. Cambridge University Press."

Uzupełniająca "1. Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R. 2000. Sieci Neuronowe. [w] Biocybernetyka i Inżynieria Biomedyczna 2000 Tom 6, Akademicka Oficyna Wydawnicza EXIT.

2. Lek S., Guegan J. F. 1999. Artificial Neural Networks as a tool in ecological modelling, an introduction. Ecological Modelling 120 (1999) 65-73.

3. Tadeusiewicz R. 2007. Odkrywanie właściwości sieci neuronowych przy użyciu programów w języku C#. PAU Kraków, ss. 246."

Efekty uczenia się:

Przedmiotowe efekty uczenia się:

WIEDZA - zna i rozumie:

Ma rozszerzoną wiedzę z zakresu statystyki matematycznej i doświadczalnictwa, umożliwiającą analizowanie i rozwiązywanie problemów naukowych związanych z leśnictwem

Posiada rozszerzoną wiedzę na temat źródeł danych służących do charakteryzowania środowiska leśnego i procesów w nim zachodzących, rozumie zasady integracji pozyskiwanych informacji statystycznych i przestrzennych z prawidłowym prowadzeniem gospodarki leśnej, ma pogłębioną wiedzę z zakresu geomatyki i zasad funkcjonowania systemów informacji przestrzennej oraz zna szczegółowo technologie pozyskiwania, przechowywania, zarządzania, przetwarzania i udostępniania geodanych wykorzystywanych w gospodarce leśnej.

UMIEJĘTNOŚCI - potrafi:

Potrafi opisywać, analizować i wyjaśniać związki pomiędzy zjawiskami i procesami zachodzącymi w ekosystemach leśnych oraz przeprowadzać symulacje i zaproponować optymalizacje procesów technologicznych i metod hodowlanych stosowanych w leśnictwie z wykorzystaniem wiedzy z zakresu nauk matematyczno-przyrodniczych, modelowania i technologii informatycznych.

Potrafi posługiwać się technologiami geoinformacyjnymi i informatycznymi, samodzielnie interpretować, klasyfikować, mierzyć i obliczać, pozyskiwać, przetwarzać, integrować dane przestrzenne i opisowe oraz dokonywać ich wizualizacji w celu sporządzenia dokumentacji branżowej.

Posiada umiejętność przygotowania prac pisemnych i wystąpień ustnych, potrafi aranżować, prowadzić i podsumować dyskusję na tematy związane z leśnictwem w różnych środowiskach i na różnych poziomach, z wykorzystaniem środków audiowizualnych i technologii informatycznych.

KOMPETENCJE SPOŁECZNE - jest gotów do:

Ma świadomość potrzeby dokształcania i samodoskonalenia w zakresie wykonywanego zawodu i rozumie potrzebę uczenia się przez całe życie, potrafi inspirować i organizować proces uczenia się innych osób.

Przedmiot nie jest oferowany w żadnym z aktualnych cykli dydaktycznych.
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Rolniczy im. Hugona Kołłątaja w Krakowie.
kontakt deklaracja dostępności USOSweb 7.0.3.0 (2024-03-22)