Drukuj Eksport do pliku (MS Word)
Nazwa przedmiotu:
Laboratorium analiz biznesowych
Koordynator przedmiotu:
dr Andrzej Wodecki
Status przedmiotu:
Obowiązkowy
Poziom kształcenia:
Studia II stopnia
Program:
Inżynieria Zarządzania
Grupa przedmiotów:
kierunkowe
Kod przedmiotu:
-
Semestr nominalny:
2 / rok ak. 2018/2019
Liczba punktów ECTS:
2
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
2 ECTS: 10h ćwiczenia + 10h laboratoria + 5h konsultacje + 5h studia literaturowe + 15h przygotowanie do ćwiczeń + 15h przygotowanie do laboratorium = 60h
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
0,8 ECTS: 10h ćwiczenia + 10h laboratoria + 5h konsultacje = 25h
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
2 ECTS: 10h ćwiczenia + 10h laboratoria + 5h konsultacje + 5h studia literaturowe + 15h przygotowanie do ćwiczeń + 15h przygotowanie do laboratorium = 60h
Formy zajęć i ich wymiar w semestrze:
  • Wykład0h
  • Ćwiczenia10h
  • Laboratorium10h
  • Projekt0h
  • Lekcje komputerowe0h
Wymagania wstępne:
Dostarczenie wiedzy, umiejętności i kompetencji w zakresie posługi-wania się aparatem analitycznym i wykorzystywania go we wspomaganiu zarządzania
Limit liczby studentów:
- od 25 osób do limitu miejsc w sali laboratoryjnej (ćwiczenia, laboratorium)
Cel przedmiotu:
Przygotowanie studentów do samodzielnej realizacji projektów analitycznych w biznesie z wykorzystaniem najnowszych narzędzi i metod data science
Treści kształcenia:
Ćwiczenia: 1. Wprowadzenie do kursu a. Organizacja kursu: cele, metody pracy, reguły zaliczeń b. Przegląd zastosowań praktycznych: w jaki sposób Data Scientist może wspomóc organizację? c. Przegląd systemów informatycznych wspomagających analizy biznesowe: i. Excel, arkusze Google ii. Dataiku, Google DataStudio, RapidMiner, H20 iii. Biblioteka Scikit-learn d. Źródła wiedzy e. Przygotowanie środowiska pracy 2. Podstawy metodyki zarządzania projektami DataScience a. Metodyka CRISP-DM b. Najlepsze praktyki analizy problemów biznesowych i identyfikacji optymalnych algorytmów c. Proces analizy i modelowania danych 3. Ćwiczenie 1: Regresja a. Definicja problemu b. Pozyskanie danych c. Analiza i przygotowanie danych do analizy d. Modelowanie e. Interpretacja wyników modelu 4. Ćwiczenie 2: Klasyfikacja a. Definicja problemu b. Pozyskanie danych c. Analiza i przygotowanie danych do analizy d. Modelowanie e. Interpretacja wyników modelu 5. Ćwiczenie 3: Segmentacja: a. Definicja problemu b. Pozyskanie danych c. Analiza i przygotowanie danych do analizy d. Modelowanie e. Interpretacja wyników modelu 6. Projekt końcowy a. Wprowadzenie: przykładowy problem, jego rozwiązanie oraz interpretacja wyników b. Organizacja pracy: podział na grupy, stworzenia środowiska pracy grupowej oraz zarządzania projektami c. Realizacja projektu zgodnie z metodyką CRISP-DM: i. Problem: analiza kontekstu, sformułowanie pytania, doprecyzowanie pytania ii. Dane: pozyskanie i wyczyszczenie, eksploracja i zrozumienie, przygotowanie iii. Model: zbudowanie, ewaluacja i udoskonalenie iv. Sformułowanie wniosków v. Prezentacja wyników d. Refleksja: Czego się nauczyliśmy? Co z tego projektu wynika dla nas na przyszłość? 7. Podsumowanie zajęć: a. Podsumowanie refleksji b. Opracowanie i dyskusja najlepszych praktyk c. Oceny Laboratorium: realizacja projektu zgodnie z harmonogramem
Metody oceny:
A. Ćwiczenia 1. Ocena formatywna: projekt, prezentacja 2. Ocena sumatywna : oceny projektu i prezentacji B. Laboratorium 1. Ocena formatywna: projekt, prezentacja 2. Ocena sumatywna : oceny projektu i prezentacji C. Końcowa ocena z przedmiotu: Suma ważona ocen projektu (80%) i prezentacji (20%)
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 3. Provost F., Fawcett T., 2015. Analiza danych w biznesie, Helion 4. Peng R. D., The Art of Data Science, https://leanpub.com/artofdatascience, dostęp: 23.01.2018 5. Grus J., 2015. Data Science from Scratch, O’Reilly 6. J. Brownlee, Machine Learning Mastery with Python, www.machinelearningmastery.com, dostęp: 23.01.2018
Witryna www przedmiotu:
www.olaf.wz.pw.edu.pl
Uwagi:
-

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Efekt I2_W07
Student zna i rozumie główne trendy rozwojowe w obszarze wykorzystania analiz biznesowych w zarządzaniu
Weryfikacja: Ocena projektu grupowego
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe:

Profil ogólnoakademicki - umiejętności

Efekt I2_U13
Student potrafi planować i przeprowadzać eksperymenty, w tym pomiary i symulacje komputerowe, interpretować uzyskane wyniki i wyciągać wnioski
Weryfikacja: Ocena projektu grupowego
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe:
Efekt I2_U19
Student potrafi komunikować wyniki zaawansowanych analiz różnym grupom odbiorców
Weryfikacja: Ocena projektu grupowego
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe:

Profil ogólnoakademicki - kompetencje społeczne

Efekt I2_K01
Student jest gotów do krytycznej analizy odbieranych treści opierając się na realnych danych i samodzielnie wykonanych analizach
Weryfikacja: Ocena projektu grupowego
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe:
Efekt I2_K02
Student jest gotów do uznawania wiedzy opartej o efekty w rozwiązywaniu problemów z zakresu zarządzania
Weryfikacja: Ocena projektu grupowego
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe: