Cykl kształcenia: 2022/2023
Nazwa jednostki prowadzącej studia: Wydział Budowy Maszyn i Lotnictwa
Nazwa kierunku studiów: Zarządzanie i inżynieria produkcji
Obszar kształcenia: nauki techniczne
Profil studiów: ogólnoakademicki
Poziom studiów: drugiego stopnia
Forma studiów: stacjonarne
Specjalności na kierunku: Analityka biznesowa w zarządzaniu przedsiębiorstwem, Ekologia produkcji, Nowoczesne metody zarządzania produkcją, Zintegrowane systemy wytwarzania
Tytuł otrzymywany po ukończeniu studiów: magister inżynier
Nazwa jednostki prowadzącej zajęcia: Zakład Informatyki
Kod zajęć: 1562
Status zajęć: obowiązkowy dla programu Analityka biznesowa w zarządzaniu przedsiębiorstwem, Ekologia produkcji, Nowoczesne metody zarządzania produkcją, Zintegrowane systemy wytwarzania
Układ zajęć w planie studiów: sem: 1 / W15 L15 / 2 ECTS / Z
Język wykładowy: polski
Imię i nazwisko koordynatora 1: dr hab. inż. prof. PRz Galina Setlak
Terminy konsultacji koordynatora: Wtorek: 10.30-12.00, środa: 10.30-12.00, gsetlak.v.prz.edu.pl
Imię i nazwisko koordynatora 2: dr inż. Łukasz Paśko
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
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 |
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 |
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 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
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).
Sem. | TK | Treści kształcenia | Realizowane na | MEK |
---|---|---|---|---|
1 | TK01 | W01 | MEK01 | |
1 | TK02 | W02 | MEK01 MEK03 | |
1 | TK03 | W03 | MEK05 | |
1 | TK04 | W04 | MEK01 | |
1 | TK05 | W05 | MEK05 | |
1 | TK06 | W06 | MEK01 MEK05 | |
1 | TK07 | W07 | MEK05 | |
1 | TK08 | L01 | MEK02 | |
1 | TK09 | L02 | MEK02 | |
1 | TK10 | L03 | MEK04 | |
1 | TK11 | L04 | MEK04 | |
1 | TK12 | L05 | MEK04 | |
1 | TK13 | L06 | MEK04 | |
1 | TK14 | L07 | MEK04 | |
1 | TK15 | L08 | MEK02 MEK04 |
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. |
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. |
Wymagane podczas egzaminu/zaliczenia
(-)
Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)
Inne
(-)
Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : nie
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 |