Nazwa przedmiotu:
Warsztaty badawcze 2
Koordynator przedmiotu:
dr hab. inż. Przemysław Biecek, prof. PW
Status przedmiotu:
Obowiązkowy
Poziom kształcenia:
Studia I stopnia
Program:
Inżynieria i Analiza Danych
Grupa przedmiotów:
Wspólne
Kod przedmiotu:
1120-DS000-ISP-0363
Semestr nominalny:
6 / rok ak. 2020/2021
Liczba punktów ECTS:
4
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
1. godziny kontaktowe – 65 h; w tym a) obecność na wykładach – 30 h b) obecność na laboratoriach – 15 h c) obecność na projekcie – 15 h d) konsultacje – 5 h 2. praca własna studenta – 60 h; w tym a) przygotowanie projektu – 50 h b) zapoznanie się z literaturą – 10 h Razem 125 h, co odpowiada 4 pkt. ECTS
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
1. obecność na wykładach – 30 h 2. obecność na laboratoriach – 15 h 3, obecność na projekcie – 15 h 4. konsultacje – 5 h Razem 65 h, co odpowiada 2 pkt. ECTS
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
1. obecność na laboratoriach – 15 h 2, obecność na projekcie – 15 h 3. przygotowanie projektu – 50 h Razem 80 h, co odpowiada 3 pkt. ECTS
Formy zajęć i ich wymiar w semestrze:
  • Wykład15h
  • Ćwiczenia0h
  • Laboratorium15h
  • Projekt15h
  • Lekcje komputerowe0h
Wymagania wstępne:
Warsztaty Badawcze 1, Wstęp do uczenia maszynowego
Limit liczby studentów:
.
Cel przedmiotu:
Celem przedmiotu jest przygotowanie studentów do samodzielnej i zespołowej pracy badawczej zgodnie z metodyką CRISP-DM. W tym celu studenci w zespołach będą rozwiązywali wybrane zagadnienie badawcze zdefiniowane na początku semestru we współpracy z zewnętrznych partnerem. W ramach wykładów studenci będą mogli poznać specyfikę dziedzinową rozwiązywanego problemu, poznać istniejące rozwiązania, a w ramach laboratoriów i projektu będą mogli skonstruować własne rozwiązanie postawionego problemu. Celem takiej formy prezentacji problemu jest pokazanie wartości wiedzy domenowej w rozwiązywaniu rzeczywistych problemów, potrzeby i roli studiów literaturowych oraz kształcenie umiejętności przygotowania raportu z prowadzonych prac badawczych. Zajęcia kończą się raportem podsumowującym wyniki przeprowadzonych prac oraz publiczną prezentacją wyników.
Treści kształcenia:
- Organizacja pracy i współpraca w zespole - przygotowanie i monitorowanie harmonogramu prac - Definiowanie problemu - Studia literaturowe dotyczące analizowanej dziedziny - Przygotowywanie raportów badawczych - Przygotowywanie prezentacji uzyskanych wyników - Przygotowywanie całości raportów projektowych w języku angielskim - Przygotowywanie zarówno rozwiązań wartościowych dla przedsiębiorstw, jak i służących dobru publicznemu - Kształtowania postaw zgodnych z etyką zawodową oraz służących dorobkowi i tradycji zawodowej. - Samodzielny dobór i lektura literatury naukowo-technicznej w języku angielskim poszerzającej wiedzę studentów.
Metody oceny:
Oceniana jest praca zespołowa studentów i jej wyniki. Na ocenę składa się 20% – ocena końcowej prezentacji wyników 20% – ocean czytelności i kompletności opracowanego raportu końcowego 30% – ocena wartości uzyskanych wyników w zestawieniu ze uprzednio zdefiniowanym problemem do rozwiązania 30% – ocena systematyczności postępów w trakcie realizacji projektu, zgodności z uprzednio przygotowanym harmonogramem prac Wymagane jest zdobycie co najmniej połowy punków w każdej składowej oceny. Ocena końcowa wynika z łącznej zdobytej liczby punktów tj. 0-50 %: ocena dwa, 51-60: ocena trzy, 61-70: ocena trzy i pół, 71-80 ocena cztery, 81-90: ocena cztery i pół, powyżej 90%: ocena pięć.
Egzamin:
nie
Literatura:
1. Cross Industry Standard Process for Data Mining CRISP-DM: Towards a Standard Process Model for Data Mining https://pdfs.semanticscholar.org/48b9/293cfd4297f855867ca278f7069abc6a9c24.pdf 2. The International Business Communication Standards http://www.ibcs-a.org/standards/130 3. How to Write and Publish a Scientific Paper Barbara Gastel, Robert A. Day 4. R for data science Garrett Grolemund and Hadley Wickham http://r4ds.had.co.nz/intro.html
Witryna www przedmiotu:
.
Uwagi:
.

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Charakterystyka W01
Zna podstawowe metody modelowania statystycznego, w tym analizy regresji i klasyfikacji Zna metody uczenia maszynowego i inteligencji obliczeniowej
Weryfikacja: Ocena końcowych wyników
Powiązane charakterystyki kierunkowe: DS_W04, DS_W05
Powiązane charakterystyki obszarowe: I.P6S_WG

Profil ogólnoakademicki - umiejętności

Charakterystyka U01
Potrafi wykorzystać nabytą wiedzę do rozwiązywania zagadnień praktycznych
Weryfikacja: Raport z postępu i wyniku prac
Powiązane charakterystyki kierunkowe: DS_U01, DS_U23
Powiązane charakterystyki obszarowe: I.P6S_UW, I.P6S_UO
Charakterystyka U02
Potrafi przygotować dokumentację projektu, zawierającą między innymi przegląd źródeł literaturowych, podsumowanie wyników analizy danych oraz dokumentację systemu informatycznego
Weryfikacja: Raport z postępu i wyniku prac
Powiązane charakterystyki kierunkowe: DS_U21
Powiązane charakterystyki obszarowe: I.P6S_UW, I.P6S_UK
Charakterystyka U03
Potrafi przeprowadzić wstępną (eksploracyjną) analizę danych Umie stosować techniki wizualizacji danych Umie konstruować i stosować estymatory oraz testy hipotez, oceniać ich jakość i interpretować otrzymane wyniki Umie zastosować metody statystyczne i uczenia maszynowego w zagadnieniach prognozowania Potrafi porozumiewać się przy użyciu różnych technik w środowisku zawodowym oraz w innych środowiskach Potrafi tworzyć, rozwijać i implementować algorytmy przetwarzania i analizy danych
Weryfikacja: Raport z postępu i wyniku prac
Powiązane charakterystyki kierunkowe: DS_U03, DS_U04, DS_U05, DS_U08, DS_U12, DS_U13
Powiązane charakterystyki obszarowe: I.P6S_UW, I.P6S_UK
Charakterystyka U04
Potrafi inicjować, planować i przeprowadzać proste eksperymenty obserwacyjne i symulacyjne oraz dobierać właściwe techniki i narzędzia do ich realizacji Potrafi interpretować wyniki przeprowadzonych eksperymentów i wyciągać wnioski, w tym dotyczące jakości modeli Posługuje się językiem angielskim w stopniu pozwalającym na porozumienie się, przeczytanie ze zrozumieniem tekstów i opisów programowych oraz przedstawienie prezentacji problemu z zakresu studiowanego kierunku studiów Potrafi indywidualnie i we współpracy z zespołem, w tym z zespołem interdyscyplinarnym tworzyć analizy i produkty informatyczne
Weryfikacja: Raport z postępu i wyniku prac
Powiązane charakterystyki kierunkowe: DS_U15, DS_U16, DS_U19, DS_U23
Powiązane charakterystyki obszarowe: I.P6S_UW, I.P6S_UK, I.P6S_UO
Charakterystyka U05
Potrafi planować rozwój i rozwijać kompetencje zawodowe
Weryfikacja: Raport z postępu i wyniku prac
Powiązane charakterystyki kierunkowe: DS_U29
Powiązane charakterystyki obszarowe: I.P6S_UU

Profil ogólnoakademicki - kompetencje społeczne

Charakterystyka K01
Jest przygotowany do współdziałania i pracy w grupie, przyjmując w niej różne role
Weryfikacja: Prezentacja wyników pracy
Powiązane charakterystyki kierunkowe: DS_K04
Powiązane charakterystyki obszarowe: I.P6S_KR
Charakterystyka K02
Jest przygotowany do formułowania wniosków i prezentacji wyników w sposób zrozumiały dla szerokiego grona odbiorców
Weryfikacja: Prezentacja wyników pracy
Powiązane charakterystyki kierunkowe: DS_K03, DS_K05
Powiązane charakterystyki obszarowe: I.P6S_KO
Charakterystyka K03
Rozumie potrzebę uczenia się przez całe życie i podnoszenia kompetencji zawodowych Potrafi pracować indywidualnie i w zespole informatyków, w tym także potrafi zarządzać swoim czasem oraz podejmować zobowiązania i dotrzymywać terminów
Weryfikacja: Prezentacja wyników pracy
Powiązane charakterystyki kierunkowe: DS_K01, DS_K02
Powiązane charakterystyki obszarowe: I.P6S_KK, I.P6S_KO, I.P6S_KR