Kurs AI w badaniach baukowych – AI i Data Research Masterclass: metodologia, eksperymenty i uczenie maszynowe

1. Wprowadzenie do metodologii badań

• rodzaje badań: jakościowe, ilościowe, mieszane,
• zasady poprawnego formułowania celów badawczych,
• operacjonalizacja zmiennych i hipotez badawczych,
• dobór próby: probabilistyczne i nieprobabilistyczne metody doboru,
• planowanie harmonogramu projektu badawczego.

2. Tworzenie kwestionariuszy i ankiet

• budowa typowego kwestionariusza,
• metadane i sekcja demograficzna – dobór zmiennych, błędy projektowania,
• skale pomiarowe:
  • skala Likerta (5-, 7-, 11-stopniowa),
  • skale semantyczne, porządkowe, dychotomiczne,
• rodzaje pytań:
  • pytania zamknięte jednokrotnego i wielokrotnego wyboru,
  • pytania otwarte – zasady interpretacji i kodowania,
  • pytania macierzowe i rankingowe,
• logika przejść (branching), rotacja odpowiedzi, walidacja formularza,
• test pilotażowy kwestionariusza.

3. Ilościowa interpretacja wyników badań jakościowych

• techniki kodowania: otwarte, osiowe, selektywne,
• tworzenie kategorii i podkategorii analitycznych,
• analiza semantyczna:
  • identyfikacja tematów i wzorców wypowiedzi,
  • mapy pojęć i sieci korelacyjne,
• operacjonalizacja jakościowych kategorii do zmiennych ilościowych,
• podstawowe wskaźniki statystyczne na danych zakodowanych.

4. Planowanie eksperymentów statystycznych

• rodzaje eksperymentów: A/B, quasi-eksperymenty, eksperymenty terenowe,
• definiowanie hipotez i dobór zmiennych niezależnych/zależnych,
• plany eksperymentalne: RCT, DOE (Design of Experiments), randomizacja,
• projektowanie eksperymentów wieloczynnikowych,
• zaawansowana analiza wyników:
  • ANOVA/ANCOVA,
  • modele regresyjne i ich interpretacja,
  • efekty główne i interakcje,
  • analiza mocy (power analysis).

5. Praca z dużymi zbiorami danych

• organizacja pracy na danych o wielkości:
  • > 75 kolumn,
  • > 1 mln krotek.
• profilowanie danych, wykrywanie anomalii, standaryzacja,
• optymalizacja pamięci oraz pracy na dużych zbiorach (chunking),
• metody łączenia, agregacji i filtrowania danych o dużej skali,
• przygotowanie danych do dalszego modelowania.

6. Uczenie maszynowe

• eksploracyjna analiza danych (EDA):
  • analiza rozkładów zmiennych (histogramy, KDE),
  • wykrywanie braków danych i metod ich imputacji,
  • korelacje: Pearson, Spearman, VIF, macierze korelacyjne,
  • wykrywanie zależności nieliniowych,
• przygotowanie Danych i Inżynieria Cech:
  • obsługa braków, zastępowanie wartości nietypowych (outliers),
  • normalizacja i standaryzacja,
  • kodowanie zmiennych kategorycznych: one-hot, target encoding,
  • tworzenie nowych cech (feature engineering),
• selekcja Cech:
  • metody filtracyjne: ANOVA F-score, chi-kwadrat,
  • metody wrapper: RFE, boruta,
  • metody embedded: Lasso, Ridge, regularyzacja L1/L2,
  • redukcja wymiaru: PCA, ICA, UMAP.,
• budowa i trenowanie modeli:
  • implementacja i porównanie modeli:
    • drzewo decyzyjne,
    • las losowy,
    • sieć neuronowa (MLP),
  • podział danych: train/test/validation,
  • kontrola przeuczenia i regularyzacja,
• ocena i poprawa modeli:
  • metryki: RMSE, MAE, R², accuracy, precision, recall (w zależności od typu modelu),
  • tuning hiperparametrów: Grid Search, Random Search, Bayesian Optimization,
  • ensemble learning: bagging, boosting (XGBoost, LightGBM), stacking,
  • walidacja krzyżowa i stabilność modeli.