Drukuj Eksport do pliku (MS Word)
Nazwa przedmiotu:
Systemy gromadzenia i przetwarzania danych
Koordynator przedmiotu:
dr Wodecki Andrzej
Status przedmiotu:
Obowiązkowy
Poziom kształcenia:
Studia I stopnia
Program:
Zarządzanie
Grupa przedmiotów:
Specjalność: Zarządzanie w gospodarce cyfrowej
Kod przedmiotu:
-
Semestr nominalny:
4 / rok ak. 2018/2019
Liczba punktów ECTS:
2
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
2 ECTS: 15h wykład + 15h laboratorium + 10h nauka własna + 15h przygotowanie projektu = 55h
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
1,1 ECTS 15h wykład + 15h laboratorium = 30h
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
1,5 ECTS 15h laboratorium + 10h nauka własna + 15h przygotowanie projektu = 40h
Formy zajęć i ich wymiar w semestrze:
  • Wykład15h
  • Ćwiczenia0h
  • Laboratorium15h
  • Projekt0h
  • Lekcje komputerowe0h
Wymagania wstępne:
-
Limit liczby studentów:
- od 25 osób do limitu miejsc w sali audytoryjnej (wykład) - od 25 osób do limitu miejsc w sali laboratoryjnej (laboratorium)
Cel przedmiotu:
Wykształcenie umiejętności pozyskiwania, składowania, przygotowania i modelowania danych na potrzeby analiz biznesowych
Treści kształcenia:
A. Wykład: 1. Wprowadzenie do kursu a. Podstawowe pojęcia: Data Science, drążenie danych, uczenie maszynowe, sztuczna inteligencja b. Przegląd zastosowań praktycznych: w jaki sposób Data Scientist może wspomóc organizację? c. Przegląd systemów informatycznych (stos technologiczny) wspomagających pracę analityka biznesu (Excel, arkusze Google, Dataiku, RapidMiner, H20, Scikit-learn, Keras, Tensorflow) 2. Planowanie i zarządzanie projektem DataScience a. Model procesu analitycznego b. Metodyka CRISP-DM 3. Źródła, formy i metody gromadzenia i przetwarzania danych a. Źródła danych b. Metody gromadzenia danych c. Metody przygotowania danych do analizy: czyszczenie, wzbogacenie i przygotowanie danych do modelowania d. Metody modelowania e. Metody oceny efektywności algorytmów f. Prezentacja wyników analizy 4. Praktycznie zagadnienia związane z realizacją projektów Data Science 5. Podsumowanie: źródła wiedzy, ścieżki rozwoju i kariery analityków danych B. Laboratorium: 1. Konfiguracja platformy Data Science: Dataiku.com 2. Ćwiczenia: a. Podłączenie źródeł danych b. Analiza opisowa c. Czyszczenie danych d. Wzbogacenie danych e. Przygotowanie danych do modelowania f. Modelowanie danych g. Ocena i wybór najlepszego algorytmu h. Interpretacja wyników modelu 3. Projekt: a. Podział na grupy b. Wybór tematu projektu grupowego c. Organizacja prac zespołu zgodnie z metodyką CRISP-DM d. Realizacja projektu e. Prezentacje końcowe
Metody oceny:
A Wykład: 1. Ocena formatywna: zaliczenie pisemne 2. Ocena sumatywna: ocena w skali 2-5 C. Laboratorium: 1. Ocena formatywna: projekt, prezentacja 2. Ocena sumatywna: oceny projektu i prezentacji E. Końcowa ocena z przedmiotu: Suma ważona ocen projektu (80%) i prezentacji (20%), wykład – 50%, laboratorium – 50%
Egzamin:
nie
Literatura:
Obowiązkowa: 1. Szeliga M., 2017, Data Science i uczenie maszynowe, Warszawa, PWN Uzupełniająca: 2. Boschetti A., Massaron L., 2017. Python. Podstawy nauki o danych. Wydanie II , Gliwice, Helion
Witryna www przedmiotu:
www.olaf.wz.pw.edu.pl
Uwagi:
-

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Efekt Z1_W03
Student zna najważniejsze metody Data Science
Weryfikacja: Ocena projektu grupowego
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe:
Efekt Z1_W07
Student zna różne sposoby wykorzystania metod Data Science do usprawnienia procesów biznesowych organizacji
Weryfikacja: Ocena projektu grupowego
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe:

Profil ogólnoakademicki - umiejętności

Efekt Z1_U11
Student potrafi ocenić potencjał biznesowy danych
Weryfikacja: Ocena projektu grupowego
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe:
Efekt Z1_U14
Zaplanować projekt analizy biznesowej w organizacji
Weryfikacja: Ocena projektu grupowego
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe:

Profil ogólnoakademicki - kompetencje społeczne

Efekt Z1_K02
Student jest gotów do uznawania znaczenia wiedzy w rozwiązywaniu problemów poznawczych i praktycznych
Weryfikacja: Ocena projektu grupowego
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe:
Efekt Z1_K04
Student jest gotów do myślenia i działania w sposób przedsiębiorczy
Weryfikacja: Ocena projektu grupowego
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe: