Cel kształcenia i wykaz literatury

Główny cel kształcenia: Celem przedmiotu jest zapoznanie studentów z podstawowymi metodami analizy danych oraz wykształcenie umiejętności posługiwania się zarówno podstawowymi narzędziami programowymi, które zawierają arkusze kalkulacyjne MS Excel, jak i bardziej zaawansowanymi technikami sztucznej inteligencji, w tym sztuczne sieci neuronowe w pakiecie programowym Statistica Neural Networks.

Ogólne informacje o zajęciach: Przedmiot jest obowiązkowym na Specjalności dyplomowania, ponieważ analiza danych biznesowych, przemysłowych i innych jest obecnie podstawą właściwego podejmowania decyzji w zarządzaniu organizacją, w tym również i przedsiębiorstwem produkcyjnym.

Materiały dydaktyczne: molech.sd.prz.edu.pl oraz gsetlak.prz.edu.pl

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

1	Michael Alexander, John Walkenbach	Analiza i prezentacja danych w Microsoft Excel. Vademecum Walkenbacha	Helion, Gliwice.	2011
2	Daniel T. Larose.	Metody i modele eksploracji danych	Warszawa : Wydaw.Nauk.PWN .	2012
3	Foster Provost, Tom Fawcett	Analiza danych w biznesie. Sztuka podejmowania skutechnych decyzji	Helion, Gliwice.	2015

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

1	Wayne L.Winston	Microsoft Excel. Analiza i modelowanie danych	APN PROMISE Sp. Z.o.o, Warszawa.	2005
2	McFedries P.	Excel 2007 PL. Tabele i wykresy przestawne. Niebieski podręcznik	Helion, Gliwice.	2009
3	Bill Jelen, Michael Alexander	Microsoft Excel 2007 PL : analiza danych za pomocą tabel przestawnych	Gliwice : Helion.	2011

Literatura do samodzielnego studiowania

1	StatSoft Polska	Praktyczna analiza danych w marketingu i badaniach rynku Wydano	Kraków StatSoft Polska.	2010
2	Michael Alexander, John Walkenbach	Analiza i prezentacja danych w Microsoft Excel. Vademecum Walkenbacha	Helion, Gliwice,.	2011

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

Wymagania formalne: Student musi być zarejestrowany na semestr 7.

Wymagania wstępne w kategorii Wiedzy: Podstawowa wiedza w zakresie Technologie informacyjnych, Informatyki, Bazy danych, oraz Podstaw sztucznej inteligencji

Wymagania wstępne w kategorii Umiejętności: Umiejętność obsługi MS Excel, pakietu programowego Matlab oraz pakietu programowego Statistica Neural Networks

Wymagania wstępne w kategorii Kompetencji społecznych: Umiejętność samodzielnego poszerzania swej wiedzy i doskonalenia umiejętności zawodowych

Efekty kształcenia dla zajęć

MEK	Student, który zaliczył zajęcia	Formy zajęć/metody dydaktyczne prowadzące do osiągnięcia danego efektu kształcenia	Metody weryfikacji każdego z wymienionych efektów kształcenia	Związki z KEK	Związki z OEK
01	Potrafi analizować dane, pochodzące z różnych źródeł, wykorzystując do tego odpowiednie narzędzia programowe	wykład, laboratorium	kolokwium, zaliczenie cz. praktyczna	K_W16++ K_U07++ K_K01+	T1P_W03++ T1P_U01++ T1P_U07+++ T1P_U14++ InzP2_U06++ T1P_U15++ InzP2_U07++ T1P_K01+
02	Potrafi na podstawie wykonanych analiz danych opracować odpowiednie wnioski i raporty w celu wspomagania decyzji menadżerskich	wykład, laboratorium	sprawdzian, zaliczenia	K_W17++ K_U01+ K_U15++	T1P_W03++ T1P_U01++ T1P_U07+++ T1P_U14++ InzP2_U06++ T1P_U15+++ InzP2_U07+++
03	Zna podstawowe metody statystyczne oraz zaawansowane metody sztucznej inteligencji, niezbędne do analiz danych inżynierskich, biznesowych czy produkcyjnych i potrafi je wykorzystywać do rozwiązywania zadań	wykład, laboratorium,	zaliczenie cz. praktyczna, kolokwium,	K_W17+++ K_U14+	T1P_W03+ T1P_U01++ T1P_U07+++ T1P_U14++ InzP2_U06++ T1P_U15+++ InzP2_U07+++

Uwaga: W zależności od sytuacji epidemicznej, jeżeli nie będzie możliwości weryfikacji osiągniętych efektów uczenia się określonych w programie studiów w sposób stacjonarny w szczególności zaliczenia i egzaminy kończące określone zajęcia będą mogły się odbywać przy użyciu środków komunikacji elektronicznej (w sposób zdalny).

Treści kształcenia dla zajęć

Sem.	TK	Treści kształcenia	Realizowane na	MEK
8	TK01	Infrastruktura informatyczna dla analizy i wizualizacji danych – podstawy systemów klasy Business Intelligence, hurtowni danych, usług analitycznych i OLAP. Metody analizy danych: statystyczne, eksploracyjne i inne.	W01	MEK01
8	TK02	Statystyczne metody analizy danych: Analiza wariancji (ANOVA - analysis of variance), jednoczynnikowa analiza wariancji, analiza regresji – liniowej i nieliniowej, analiza skupień, analiza korelacji. analiza dyskryminacyjna , analiza szeregów czasowych, analiza kanoniczna, analiza danych przy użyciu metody resampling’u.	W02, W03	MEK03
8	TK03	Analiza danych za pomocą tabel przestawnych w MS Excel. Pola obliczeniowe w tabelach przestawnych. Grupowanie i filtrowanie danych w tabelach i wykresach przestawnych. Wykresy i raporty przestawne jako narzędzia do wizualizacji danych	W04,	MEK01 MEK03
8	TK04	Eksploracyjne metody analizy danych. Podstawowe metody i narzędzia eksploracji danych: analiza dyskryminacyjna, regresja logistyczna, sieci neuronowe: wielowarstwowy perceptron, Kohonena, Hamminga, drzewa decyzyjne, rozmyta analiza skupień, metody ewolucyjne). Wizualizacja danych za pomocą histogramów w MS Excel	W05	MEK01 MEK03
8	TK05	Analiza danych w arkuszach kalkulacyjnych MS Excel. Funkcje finansowe, statystyczne, daty i czasu do analizy danych. Tworzenie zaawansowanych formuł, przetwarzanie informacji z zewnętrznych źródeł danych. Analiza scenariuszowa (Scenariusze oraz analiza Co jeśli?).	LO1	MEK01 MEK03
8	TK06	Wizualna prezentacja danych. Dobór formy prezentacji do celu (trendy, różnice, związki). Sporządzanie wykresów danych. Tworzenie kombinacji wykresów.	L02	MEK02
8	TK07	Tabele i raporty przestawne. Pola obliczeniowe w tabelach przestawnych. Grupowanie i filtrowanie danych, zmiana typu obliczeń. Tworzenie wykresów przestawnych, zmiana układu i typu wykresu.	L03	MEK01 MEK03
8	TK08	Prowadzenie analiz inwestycyjnych. Analiza decyzyjna (drzewa decyzyjne)	L04	MEK01 MEK03
8	TK09	Przygotowywanie i analiza statystyk opisowych. Wykorzystanie dodatku do arkuszy MS Excel Analiza danych. Używanie narzędzia Kreator sum warunkowych. Przeprowadzanie analiz wartości wariancji dla listy danych ANOVA. Znajdowanie korelacji pomiędzy dwoma zestawami danych.	L05	MEK01 MEK03
8	TK10	Analiza eksploracyjna: klasyfikacja i grupowanie danych za pomocą sieci neuronowych	L06, L7	MEK01 MEK03
8	TK11	ZALICZENIE PRZEDMIOTU	LO8

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 8)	Przygotowanie do kolokwium: 4.00 godz./sem.	Godziny kontaktowe: 10.00 godz./sem.	Uzupełnienie/studiowanie notatek: 2.00 godz./sem. Studiowanie zalecanej literatury: 6.00 godz./sem.
Laboratorium (sem. 8)	Przygotowanie do laboratorium: 10.00 godz./sem. Przygotowanie do kolokwium: 5.00 godz./sem. Inne: 3.00 godz./sem.	Godziny kontaktowe: 15.00 godz./sem.	Dokończenia/wykonanie sprawozdania: 5.00 godz./sem.
Konsultacje (sem. 8)
Zaliczenie (sem. 8)

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład	Na zaliczeniu pisemnym wykładu sprawdzana jest realizacja trzeciego efektu modułowego (MEK03). Sprawdzian obejmuje pytania obowiązkowe oraz dodatkowe. Student musi odpowiedzieć poprawnie na wszystkie pytania obowiązkowe, aby uzyskać ocenę dostateczną. Odpowiedź na pytania dodatkowe pozwala uzyskać wyższą ocenę: 25% poprawnych odpowiedzi - 3,5; 40% poprawnych odpowiedzi - 4,0; 60% poprawnych odpowiedzi - 4,5; 80% poprawnych odpowiedzi - 5,0
Laboratorium	Na zaliczeniu praktycznym laboratorium sprawdzana jest realizacja pierwszego i drugiego efektu modułowego (MEK01, MEK02). Sprawdzian obejmuje zadania obowiązkowe oraz dodatkowe. Student musi poprawnie wykonać WSZYSTKIE zadania obowiązkowe aby uzyskać ocenę dostateczną. Rozwiązanie zadań dodatkowych pozwala uzyskać wyższą ocenę: 25% poprawnie rozwiązanych zadań - 3,5; 40% poprawnie rozwiązanych zadań - 4,0; 60% poprawnie rozwiązanych zadań - 4,5; 80% poprawnie rozwiązanych zadań - 5,0;
Ocena końcowa	Warunkiem zaliczenia modułu jest osiągnięcie wszystkich efektów modułowych i zaliczenie wszystkich form zajęć. Ocena końcowa wyznaczana jest jako średnia ważona oceny z wykładu z wagą 0,4 i laboratorium z wagą 0,6.

Przykładowe zadania

Wymagane podczas egzaminu/zaliczenia
(-)

Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)

Inne
(-)

Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : nie

Treści zajęć powiazane są z prowadzonymi badaniami naukowymi: tak

1	Ł. Paśko; G. Setlak	Random Forests in a Glassworks: Knowledge Discovery from Industrial Data	2020
2	Ł. Paśko; M. Piróg; G. Setlak	Pozyskiwanie wiedzy z danych przemysłowych do wspomagania decyzji w procesie produkcyjnym	2019