- 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. 2021/2022
- Liczba punktów ECTS:
- 2
- Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
- 2 ECTS:
12h laboratorium + 15h nauka własna + 20h przygotowanie projektu +3h konsultacji = 50h
- Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
- 0,92 ECTS
12h laboratorium + 3h konsultacji= 23h
- Język prowadzenia zajęć:
- polski
- Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
- 2 ECTS:
12h laboratorium + 15h nauka własna + 20h przygotowanie projektu +3h konsultacji = 50h
- Formy zajęć i ich wymiar w semestrze:
-
- Wykład0h
- Ćwiczenia0h
- Laboratorium12h
- 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:
- C. 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:
- C. Laboratorium:
1. Ocena formatywna: projekt, prezentacja
2. Ocena sumatywna: oceny projektu i prezentacji
- 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
- Charakterystyka Z1_W03
- Student zna najważniejsze metody Data Science
Weryfikacja: Ocena projektu grupowego
Powiązane charakterystyki kierunkowe:
Powiązane charakterystyki obszarowe:
- Charakterystyka Z1_W07
- Student zna różne sposoby wykorzystania metod Data Science do usprawnienia procesów biznesowych organizacji
Weryfikacja: Ocena projektu grupowego
Powiązane charakterystyki kierunkowe:
Powiązane charakterystyki obszarowe:
Profil ogólnoakademicki - umiejętności
- Charakterystyka Z1_U11
- Student potrafi ocenić potencjał biznesowy danych
Weryfikacja: Ocena projektu grupowego
Powiązane charakterystyki kierunkowe:
Powiązane charakterystyki obszarowe:
- Charakterystyka Z1_U14
- Zaplanować projekt analizy biznesowej w organizacji
Weryfikacja: Ocena projektu grupowego
Powiązane charakterystyki kierunkowe:
Powiązane charakterystyki obszarowe:
Profil ogólnoakademicki - kompetencje społeczne
- Charakterystyka Z1_K02
- Student jest gotów do uznawania znaczenia wiedzy w rozwiązywaniu problemów poznawczych i praktycznych
Weryfikacja: Ocena projektu grupowego
Powiązane charakterystyki kierunkowe:
Powiązane charakterystyki obszarowe:
- Charakterystyka Z1_K04
- Student jest gotów do myślenia i działania w sposób przedsiębiorczy
Weryfikacja: Ocena projektu grupowego
Powiązane charakterystyki kierunkowe:
Powiązane charakterystyki obszarowe: