Cel kształcenia i wykaz literatury

Główny cel kształcenia: Głównym celem kształcenia jest przekazanie studentom wiedzy i praktycznych umiejętności w zakresie koncepcji zarządzania wiedzą oraz umiejętności właściwego wykorzystania metod i narzędzi informatycznych do pozyskiwania, przetwarzania i analizy wiedzy, jak również do zarządzania wiedzą. Przedstawienie również podstawowych informacji dotyczących zarządzania wiedzą w przedsiębiorstwach produkcyjnych.

Ogólne informacje o zajęciach: Moduł jest obowiązkowym w ramach programu studiów magisterskich na kierunku Zarządzanie i inżynieria produkcją

Materiały dydaktyczne: Materiały dydaktyczne są udostępniane na stronach WWW prowadzących zajęcia

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

1	Trajer J., Paszek A., Iwan S.	Zarządzanie wiedzą,	Polskie Wyd. Ekonomiczne, Warszawa.	2012
2	Ashok Jashapara	Zarządzanie wiedzą	Polskie Wydawnictwo Ekonomiczne PWE, Warszawa, wyd.2. zm..	2014
3	Red. naukowa: D. Jemielniak, A. K. Koźmiński	Zarządzanie wiedzą	Wyd. 2., Wolters Kluwer Polska, Warszawa.	2012
4	G.Probst, S.Raub, K.Romhardt	Zarządzanie wiedzą w organizacji	Oficyna Ekonomiczna, Kraków.	2002

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

1	T. Morzy	Eksploracja danych. Metody i algorytmy.	Wydawnictwo Naukowe PWN, Warszawa.	2012
2	I.Nonaka, H.Takeuchi	Kreowanie wiedzy w organizacji	Poltext, Warszawa.	2000
3	McFedries, Paul	Excel : wykresy, analiza danych, tabele przestawne	HELION, Gliwice.	2015

Literatura do samodzielnego studiowania

1	A.K.Koźmiński	Zarządzanie w warunkach niepewności. podręcznik dla zaawansowanych	Wydawnictwo Naukowe PWN, Warszawa.	2004
2	M. Hyla	Przewodnik po e-learningu	ABC a Wolters Kluwer Business, Kraków.	2007

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

Wymagania formalne: Student musi być zarejestrowany na liście uprawnionych do zaliczenia przedmiotu

Wymagania wstępne w kategorii Wiedzy: Student powinien posiadać wiedzę w zakresie Technologii informacyjnych i informatyki

Wymagania wstępne w kategorii Umiejętności: Wymagane jest posiadanie umiejętności obsługi podstawowego oprogramowania takiego, jak MS Excel oraz pakiet sztucznej inteligencji AITECH SPHINX

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 PRK
01	Posiada wiedzę w zakresie koncepcji i zasad tworzenia systemów zarządzania wiedzą w organizacji oraz odpowiednich technologii do wspomagania procesu zarządzania wiedzą	wykład	kolokwium	K_W03+ K_W09+ K_K08+	P7S_KK P7S_WG
02	Posiada umiejętności wykorzystania metod i technologii informacyjnych oraz oprogramowania do pozyskiwania, przetwarzania i analizy wiedzy, jak również do zarządzania wiedzą.	laboratorium	zaliczenie cz. praktyczna, zaliczenie cz. pisemna	K_U10++ K_U12++	P7S_UW
03	Zna metody i narzędzia sztucznej inteligencji, które potrafi wykorzystać do tworzenia baz wiedzy w celu wspomagania procesu zarządzania wiedzą.	wykład	kolokwium	K_U10+ K_U12+	P7S_UW
04	Posiada umiejętności wykorzystania technologii informacyjnych do analizy wiedzy, w tym analizy sieci społecznych (Social Networks analysis)	laboratorium	zaliczenie cz. praktyczna	K_U10++ K_U12+++	P7S_UW
05	Posiada wiedzę w zakresie współczesnych technologii i narzędzi informatycznych w celu wspomagania procesu zarządzania wiedzą, m.in. takie jak eksploracja danych, sztuczna inteligencja, metdoy modelowania wiedzy i procesów	wykład	kolokwium	K_W03++ K_W10++	P7S_WG P7S_WK

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
1	TK01	Rola i cele zarządzania wiedzą. Znaczenie wiedzy w otoczeniu gospodarczym. Zasoby wiedzy w przedsiębiorstwie – główne składniki, cechy danych, proces uczenia się organizacji. Wiedza indywidualna a wiedza zbiorowa, wiedza jawna i ukryta. Kluczowe procesy zarządzania wiedzą – lokalizowanie, pozyskiwanie, zachowywanie, stosowanie. Rozwijanie wiedzy.	W01	MEK01
1	TK02	Komponenty systemu zarządzania wiedzą (Wiedza, Proces zarządzania, Stosunki ludzkie oparte na zaufaniu, Technologie informacyjne, Kultura organizacyjna zorientowana na wiedze, Elastyczna struktura organizacyjna, Wskaźniki wydajności/wykonania i nagrody, Wielowymiarowe pojęcia systemu ZW). Wdrażanie i użytkowanie systemów zarządzania wiedzą w przedsiębiorstwie.	W02	MEK01 MEK03
1	TK03	Technologie informacyjne w zarządzaniu wiedzą: Technologie internetowe, portale korporacyjne, wyszukiwarki internetowe, technologie OLAP i eksploracja danych. Metody wyszukiwania dokumentów. E-learning w procesie zarządzania wiedzą w organizacji.	W03	MEK05
1	TK04	Kapitał intelektualny organizacji - jego wartość i pomiar. Mapowanie wiedzy. Formalizacja wiedzy o procesach biznesowych. Sieci społeczne. Analiza sieci społecznych w zarządzaniu wiedzą.	W04	MEK01
1	TK05	Zastosowania narzędzi sztucznej inteligencji w zarządzaniu wiedzą. Systemy eksperckie – istota działania i struktura. Baza wiedzy. Metody pozyskiwania wiedzy, zagadnienie uczenia się maszyn. Metody reprezentacji wiedzy.	W05	MEK05
1	TK06	Elementy logiki rozmytej w reprezentacji wiedzy niepewnej. Zapis i weryfikacja baz wiedzy. Stosowanie systemów hybrydowych i technik „drążenia” danych w zarządzaniu wiedzą. Wielowymiarowe systemy pomiaru wiedzy.	W06	MEK01 MEK05
1	TK07	Odkrywanie wiedzy z danych - metody i narzędzia eksploracji danych (data mining) w pozyskiwaniu wiedzy z baz danych.	W07	MEK05
1	TK08	Narzędzia arkuszy kalkulacyjnych wspomagające przetwarzanie danych.	L01	MEK02
1	TK09	Tabele przestawne i wykresy przestawne.	L02	MEK02
1	TK10	Analiza sieci społecznych - wprowadzenie.	L03	MEK04
1	TK11	Analiza sieci społecznych w ujęciu makro.	L04	MEK04
1	TK12	Analiza sieci społecznych w ujęciu mezo.	L05	MEK04
1	TK13	Analiza sieci społecznych w ujęciu mikro.	L06	MEK04
1	TK14	Analiza różnych rodzajów sieci społecznych, które występują w przedsiębiorstwach.	L07	MEK04
1	TK15	Sprawdzian zaliczeniowy, część praktyczna.	L08	MEK02 MEK04

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 1)	Przygotowanie do kolokwium: 3.00 godz./sem.	Godziny kontaktowe: 15.00 godz./sem.	Studiowanie zalecanej literatury: 1.00 godz./sem.
Laboratorium (sem. 1)	Przygotowanie do laboratorium: 5.00 godz./sem.	Godziny kontaktowe: 15.00 godz./sem.	Dokończenia/wykonanie sprawozdania: 1.00 godz./sem.
Konsultacje (sem. 1)		Udział w konsultacjach: 4.00 godz./sem.
Zaliczenie (sem. 1)	Przygotowanie do zaliczenia: 5.00 godz./sem.	Zaliczenie pisemne: 1.00 godz./sem. Zaliczenie ustne: 1.00 godz./sem.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład	Na zaliczeniu pisemnym wykładu sprawdzana jest realizacja efektów modułowych MEK01, MEK03 i MEK05. 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	Sprawdzian praktyczny, odbywający się na laboratorium, weryfikuje modułowe efekty kształcenia MEK02 oraz MEK04. Sposób oceniania MEK02: student rozwiązuje zadania dotyczące zastosowania narzędzi do wydobywania wiedzy z danych. Maksymalna liczba punktów, jaką można zdobyć za dane zadanie zależy od poziomu trudności i czasochłonności zadania. Częściowe wykonanie zadania powoduje przyznanie liczby punktów proporcjonalnej do stopnia zrealizowania danego zadania. Zdobyte punkty za wszystkie zadania dotyczące MEK02 są sumowane. Student uzyskuje ocenę z MEK02 na podstawie następujących przedziałów procentowych, przy czym 100% to maksymalna możliwa do zdobycia sumaryczna liczba punktów: 0% - 49,99%: 2,0 (ndst); 50% - 59,99%: 3,0 (dst); 60% - 69,99%: 3,5 (+dst); 70% - 79,99%: 4,0 (db); 80% - 89,99%: 4,5 (+db); 90% - 100%: 5,0 (bdb). Sposób oceniania MEK04: student rozwiązuje zadania dotyczące analizy sieci społecznych. Maksymalna liczba punktów, jaką można zdobyć za dane zadanie zależy od poziomu trudności i czasochłonności zadania. Częściowe wykonanie zadania powoduje przyznanie liczby punktów proporcjonalnej do stopnia zrealizowania danego zadania. Zdobyte punkty za wszystkie zadania dotyczące MEK04 są sumowane. Student uzyskuje ocenę z MEK04 na podstawie następujących przedziałów procentowych, przy czym 100% to maksymalna możliwa do zdobycia sumaryczna liczba punktów: 0% - 49,99%: 2,0 (ndst); 50% - 59,99%: 3,0 (dst); 60% - 69,99%: 3,5 (+dst); 70% - 79,99%: 4,0 (db); 80% - 89,99%: 4,5 (+db); 90% - 100%: 5,0 (bdb).
Ocena końcowa	Warunkiem zaliczenia modułu jest osiągnięcie wszystkich efektów modułowych (MEK01-MEK05) 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	R. Amadio; A. Carreras-Coch; R. Figliè; D. Mazzei; J. Navarro; Ł. Paśko; D. Stadnicka; C. Stylios; M. Tyrovolas; A. Zaballos	Towards a Taxonomy of Industrial Challenges and Enabling Technologies in Industry 4.0	2024
2	D. Atzeni; A. Carreras-Coch; G. Dec; D. Mazzei; M. Mądziel; L. Pappa; Ł. Paśko; X. Solé-Beteta; D. Stadnicka; C. Stylios	Plan and Develop Advanced Knowledge and Skills for Future Industrial Employees in the Field of Artificial Intelligence, Internet of Things and Edge Computing	2022
3	G. Dec; R. Figliè; D. Mazzei; M. Mądziel; J. Navarro; Ł. Paśko; X. Solé-Beteta; D. Stadnicka; C. Stylios; M. Tyrovolas	Role of Academics in Transferring Knowledge and Skills on Artificial Intelligence, Internet of Things and Edge Computing	2022
4	K. Antosz; A. Gola; A. Gonçalves; T. Malheiro; Ł. Paśko; L. Varela	Six Sigma and Random Forests Application for Product Quality System Control Development	2022
5	K. Antosz; Ł. Paśko	Neural Model of Manufacturing Process as a Way to Improve Predictability of Manufacturing	2022
6	A. Kuś; Ł. Paśko	Bootstrap Aggregation Technique for Evaluating the Significance of Manufacturing Process Parameters in the Glass Industry	2021
7	D. Antonelli; J. Barata; E. Boffa; P. C. Priarone; R. Chelli; P. Ferreira; M. Finžgar; M. Lanzetta; P. Litwin; N. Lohse; F. Lupi; M. M. Mabkhot; A. Maffei; M. Mądziel; P. Minetola; S. Nikghadam-Hojjati; Ł. Paśko; P. Podržaj; D. Stadnicka; X. Wang	Mapping Industry 4.0 Enabling Technologies into United Nations Sustainability Development Goals	2021
8	K. Antosz; M. Jasiulewicz-Kaczmarek; Ł. Paśko; S. Wang; C. Zhang	Application of machine learning and rough set theory in lean maintenance decision support system development	2021
9	K. Antosz; A. Gola; Ł. Paśko	The Use of Artificial Intelligence Methods to Assess the Effectiveness of Lean Maintenance Concept Implementation in Manufacturing Enterprises	2020
10	P. Litwin; Ł. Paśko	Metody klasteryzacji danych w badaniu podobieństwa parametrów procesu wytwórczego	2020
11	Ł. Paśko	Significance of Manufacturing Process Parameters in a Glassworks	2020
12	Ł. Paśko; G. Setlak	Random Forests in a Glassworks: Knowledge Discovery from Industrial Data	2020
13	K. Antosz; A. Gola; Ł. Paśko	The use of intelligent systems to support the decision-making process in lean maintenance management	2019
14	P. Litwin; Ł. Paśko	Methods of Data Mining for Quality Assurance in Glassworks	2019
15	Ł. Paśko	Zapewnianie jakości w przemyśle szklarskim z wykorzystaniem metod eksploracji danych	2019
16	Ł. Paśko; M. Piróg; G. Setlak	Pozyskiwanie wiedzy z danych przemysłowych do wspomagania decyzji w procesie produkcyjnym	2019