SŁOWO WSTĘPNE
„Prawa naukowe nie są form ułow ane na m ocy autorytetu ani uzasadniane przez wiarę czy średniowieczną filozofię. Jedynym sądem odwoławczym dla nowej wiedzy je s t statystyka "
Preasanta Chandra M ahalanobis (1893-1972) Potrzeby edukacyjne należy kreow ać a nie zaspokajać, zatem aby je kreować trzeba w zm acniać jak o ść nauczania. M ożna w tym celu proponow ać różne roz-wiązania, które obejm ują:
1) w łaściw e używ anie technologii, zw łaszcza kom puterów ,
2) przypisać w iększą odpow iedzialność studentom za wyniki w nauce, 3) w ykorzystać opinie studentów w procesie nauczania.
A nalizując potrzeby i oczekiw ania zarów no studentów , potem absolw entów , ja k i pracow ników nasuw ają się pew ne uwagi i spostrzeżenia o charakterze ogólnym , dotyczące kształcenia studentów .
1. Środow isko akadem ickie zorientow ać bardziej na studentów a nie na na-uczycieli.
2. Z w iększyć aktyw ność studentów oraz częstość w ykorzystania ekspery-m entów praktycznych zw iązanych z analizą danych i interpretacją pojęć.
3. Z w iększyć zastosow anie kom puterów do realizacji ćwiczeń praktycznych i testów.
4. Z apew nić aktualną pom oc dla studentów w ich problem ach z rozw iązy-waniem zadań, analizą i interpretacją.
5. Zw iększyć m ożliw ość w spółpracy z innym i studentam i różnych kierun-ków i nauczycielam i akadem ickim i.
6. Łączyć pracę studentów na różne sposoby, włączając w to projekty i quizy. 7. Kształcić doktorantów i asystentów dla potrzeb nauczania przedm iotów ilościow ych, stosując szeroko akceptow alne techniki pedagogiczne: przygoto-wanie zadań na laboratoria kom puterow e, ułatw ianie zajęć praktycznych w gru-pach, prow adzenie dyskusji o koncepcjach określonych dyscyplin naukow ych oraz interpretacja analiz statystycznych i ekonom icznych.
Dyscypliny, które reprezentujemy z całą pew nością stym ulują rozwój gospo-darczy naszego kraju. Powinniśmy zwracać w iększą uwagę na współpracę w ra-mach szeroko rozum ianych metod ilościow ych i jakościow ych. W arto wskazać na obszary takiej w spółpracy, która staje się potrzebą dnia, a m ianow icie:
- data m iting
- te c h n ik i w izualizacyjne
D ata mining, czasam i nazyw ane „O dkryw aniem W iedzy w Bazach D anych” (K now ledge Discovery in D atabases), co ściśle wiąże się z „M achine Learning” (dość dobrze zdefiniow any przedm iot). W ikipedia, darm ow a encyklopedia in-ternetow a, podaje następujące definicje data m ining i m achine learning. „Data m ining je st to znaczące w ydobycie ukrytych i wcześniej nieznanych, a jed n o cze-śnie potencjalnie przydatnych informacji z danych” i „nauka o w ydobyw aniu przydatnych inform acji z dużych zbiorów danych lub baz danych” . M achine learning je st to „m etoda tw orzenia program ów kom puterow ych przy w ykorzy-staniu analizy zbiorów danych a nie tylko intuicji inżynierów ” . Te definicje su-gerują konieczność interdyscyplinarnego szkolenia w zakresie statystyki, technik baz danych oraz inform atyki. Łatwo zauw ażyć, że w iększość technik w ykorzy-stanych przy data m ining w yw odzi się z technik statystycznych, a w iększość narzędzi używ anych przy data m ining to te sam e narzędzia, które zostały opra-cow ane na potrzeby statystycznej analizy danych.
O becnie istnieje w iele produktów pow iązanych z w izualizacją. C zęsto do-datkow o, przed słow em w izualizacja dodaje się różne słow a na określenie róż-nych rodzajów w izualizacji. I tak np. w izualizacja daróż-nych, w izualizacja nauko-wa, w izualizacja inform acji. W przeciw ieństw ie do data m ining, w izualizacja nie je st dobrze zdefiniow anym pojęciem. Jednakże, podstaw ow ą zasadę leżącą u podstaw w izualizacji m ożna zdefiniow ać następująco: ludzie m yślą w izualnie, podczas gdy kom putery pracują analitycznie.
W edług G. Scott Owen „w izualizacja jest w gruncie rzeczy procesem odw zo-rowania - od obrazu kom puterowego do obrazu percepcyjnego, przy użyciu tech-nik kodujących w celu maksymalizacji ludzkiego zrozum ienia i kom utech-nikacji” . Stąd jest to forma eksploracyjnej analizy danych sformułowana przez Johna Tukeya.
To co jest najbardziej wartościowe, jeżeli chodzi o technologie w data mining i w izualizacji, w yw odzi się z metod ilościow ych, w tym głów nie ze statystyki, stąd nasze w spólne pole do dyskusji i rozwoju.
Pragnę w tym m iejscu podziękow ać w szystkim Państw u, którzy odpow ie-dzieli pozytyw nie na nasze zaproszenia i przybyli do C entrum K onferencyjnego Uniwersytetu Łódzkiego, umożliwiając tym samym realizację celów konferencji. Równocześnie składam wyrazy podziękowania współorganizatorom, a zw łaszcza Paniom prof, dr hab. Jadw idze Sucheckiej, m gr Barbarze Lebiodzie, dr Milenie Lange i Ewie Saganow skiej.
Już tradycją tej konferencji stały się Jubileusze kolegów z Instytutu Ekono-metrii i Statystyki. W tym roku w poczet C zterdziestolatków przyjęci zostali Sz. P. Prof. Ł ucja T om aszew icz, W acław a Starzyńska oraz piszący te słowa.