Karta przedmiotu
Analiza danych produkcyjnych
Podstawowe informacje o zajęciach
Cykl kształcenia:
2025/2026
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, Inteligentne i cyfrowe systemy wytwarzania, Nowoczesne metody zarządzania produkcją, Zrównoważony rozwój w przemyśle
Tytuł otrzymywany po ukończeniu studiów:
magister inżynier
Nazwa jednostki prowadzącej zajęcia:
Katedra Technologii Maszyn i Inżynierii Produkcji
Kod zajęć:
15193
Status zajęć:
obowiązkowy dla specjalności Analityka biznesowa w zarządzaniu przedsiębiorstwem
Układ zajęć w planie studiów:
sem: 2 / W15 P30 / 3 ECTS / Z
Język wykładowy:
polski
Imię i nazwisko koordynatora:
prof. dr hab. inż. Jarosław Sęp
Cel kształcenia i wykaz literatury
Główny cel kształcenia:
Zdobycie wiedzy i elementów praktyki związanych z analizą danych przemysłowych.
Ogólne informacje o zajęciach:
celem zajęć jest przekazanie wiedzy i ukształtowanie umiejętności z zakresu analizy danych produkcyjnych.
Wykaz literatury, wymaganej do zaliczenia zajęć
| 1 | D. T. Larose | Odkrywanie wiedzy z danych | Wydawnictwo Naukowe PWN. | 2006 |
| 2 | Kot, S.M., Jakubowski, J., Sokołowski, A. | Statystyka, | Difin. | 2011, |
| 3 | Korzyński M | Metodyka Eksperymentu | PWN. | 2017 |
| 1 | D. T. Larose | Metody i modele eksploracji danych | Wydawnictwo Naukowe PWN. | 2008 |
| 1 | T. Morzy | T. Morzy | Wydawnictwo Naukowe PWN. | 2013 |
Wymagania wstępne w kategorii wiedzy / umiejętności / kompetencji społecznych
Wymagania formalne:
Spełnienie kryteriów naboru na studia II stopnia
Wymagania wstępne w kategorii Wiedzy:
Podstawowa wiedza z zakresu statystyki matematycznej oraz algorytmów sztucznej inteligencji
Wymagania wstępne w kategorii Umiejętności:
Umiejętność samokształcenia
Wymagania wstępne w kategorii Kompetencji społecznych:
Świadomość konieczności samokształcenia
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 |
|---|---|---|---|---|---|
| MEK01 | posiada podstawową wiedzę na temat wybranych zaawansowanych metod statystycznych | wykład | egzamin cz. pisemna |
K-W04+ |
P7S-WG |
| MEK02 | posiada podstawową umiejętności stosowania wybranych zaawansowanych metod statystycznych i potrafi stosować je w praktyce | projekt indywidualny | raport pisemny |
K-U18+ K-K06+ |
P7S-KO P7S-UW |
Treści kształcenia dla zajęć
| Sem. | TK | Treści kształcenia | Realizowane na | MEK |
|---|---|---|---|---|
| 2 | TK01 | w1 | MEK01 | |
| 2 | TK02 | w2 | MEK01 | |
| 2 | TK03 | w3 | MEK01 | |
| 2 | TK04 | w4 | MEK01 | |
| 2 | TK05 | w5 | MEK01 | |
| 2 | TK06 | w6 | MEK01 | |
| 2 | TK07 | w7 | MEK01 | |
| 2 | TK08 | w8 | MEK01 | |
| 2 | TK09 | p1 | MEK02 | |
| 2 | TK10 | p2 | MEK02 | |
| 2 | TK11 | p3 | MEK02 | |
| 2 | TK12 | p4 | MEK02 | |
| 2 | TK13 | p5 | MEK02 | |
| 2 | TK14 | p7 | MEK02 | |
| 2 | TK15 | p8 | MEK02 |
Nakład pracy studenta
| Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
|---|---|---|---|
| Wykład (sem. 2) | Przygotowanie do kolokwium:
12.00 godz./sem. |
Godziny kontaktowe:
15.00 godz./sem. |
Uzupełnienie/studiowanie notatek:
5.00 godz./sem. Studiowanie zalecanej literatury: 5.00 godz./sem. |
| Projekt/Seminarium (sem. 2) | Godziny kontaktowe:
30.00 godz./sem.. |
||
| Konsultacje (sem. 2) | Udział w konsultacjach:
1.00 godz./sem. |
||
| Zaliczenie (sem. 2) | Przygotowanie do zaliczenia:
20.00 godz./sem. |
Zaliczenie pisemne:
2.00 godz./sem. |
Sposób wystawiania ocen składowych zajęć i oceny końcowej
| Forma zajęć | Sposób wystawiania oceny podsumowującej |
|---|---|
| Wykład | Test zaliczeniowy. Zaliczenie to min 50% poprawnych odpowiedzi. Ocena z wykładu jest proporcjonalna do liczby uzyskanych punktów. szczegóły zostaną podane na pierwszym wykładzie. |
| Projekt/Seminarium | Ocena z projektu to średnia z ocen z poszczególnych projektów. |
| Ocena końcowa | Ocena końcowa to średnia ważona oceny z wykładu z wagą 0,6 i oceny z projektów z wagą 0,4. |
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 | K. Antosz; A. Bełzo; R. Perłowski; S. Prucnal; J. Sęp; J. Wiech | Analysis of Static and Dynamic Ball Burnishing of Aluminum: A Servo-Controlled Crank Mechanism Approach | 2025 |
| 2 | K. Antosz; E. Kozłowski; S. Prucnal; J. Sęp | Application of Machine Learning to the Prediction of Surface Roughness in the Milling Process on the Basis of Sensor Signals | 2025 |
| 3 | K. Antosz; E. Kozłowski; S. Prucnal; J. Sęp | Predicting Surface Roughness in Milling Process with Neural Networks: A Data-Driven Approach | 2025 |
| 4 | O. Hembara; O. Holiian; J. Sęp | Mathematical modelling during studies of the strength of structural elements in the atmosphere of hydrogen and its mixtures | 2025 |
| 5 | O. Holiian; Y. Ivanyts\'ky; J. Sęp | Assessment of the technical condition of pipeline systems for hydrogen mixture transportation us-ing the energy approach | 2025 |
| 6 | K. Antosz; E. Kozłowski; S. Prucnal; J. Sęp | Integrating Sensor Systems and Signal Processing for Sustainable Production: Analysis of Cutting Tool Condition | 2024 |
| 7 | K. Antosz; E. Kozłowski; S. Prucnal; J. Sęp | Neural Network Predictive Model in Cutting Tool Condition Detection | 2024 |
| 8 | K. Antosz; E. Kozłowski; S. Prucnal; J. Sęp | Pre-processing Signal Analysis for Cutting Tool Condition in the Milling Process | 2024 |
| 9 | Y. Blikharskyy; Z. Blikharskyy; O. Holiian; Y. Ivanytskyi; J. Selejdak; J. Sęp | Evaluation of the Technical Condition of Pipes during the Transportation of Hydrogen Mixtures According to the Energy Approach | 2024 |
| 10 | M. Bucior; R. Kosturek; J. Sęp; T. Ślęzak; L. Śnieżek; J. Torzewski; W. Zielecki | Effect of Shot Peening on the Low-Cycle Fatigue Behavior of an AA2519-T62 Friction-Stir-Welded Butt Joint | 2023 |
| 11 | P. Cichosz; M. Drajewicz; M. Góral; A. Majka; W. Nowak; J. Sęp; R. Smusz | Design of Newly Developed Burner Rig Operating with Hydrogen Rich Fuel Dedicated for Materials Testing | 2023 |
| 12 | E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński | The Use of Principal Component Analysis and Logistic Regression for Cutter State Identification | 2022 |
| 13 | G. Budzik; K. Bulanda; D. Filip; J. Jabłoński; A. Łazorko; M. Oleksy; A. Paszkiewicz; Ł. Przeszłowski; J. Sęp; S. Snela; P. Turek; S. Wolski | Manufacturing Polymer Model of Anatomical Structures with Increased Accuracy Using CAx and AM Systems for Planning Orthopedic Procedures | 2022 |
| 14 | J. Sęp; G. Szyszka | Comparative Performance Evaluation of Multiconfiguration Touch-Trigger Probes for Closed-Loop Machining of Large Jet Engine Cases | 2022 |
| 15 | K. Antosz; E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński | Machine Multi-sensor System and Signal Processing for Determining Cutting Tools Service Life | 2022 |
| 16 | K. Antosz; E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński | Machining Process Time Series Data Analysis with a Decision Support Tool | 2022 |
| 17 | K. Antosz; E. Kozłowski; J. Sęp; T. Żabiński | The use of random forests to support the decision-making process for sustainable manufacturing | 2022 |
| 18 | L. Gałda; J. Sęp; S. Świrad | Effect of the Sliding Element Surface Topography on the Oil Film Thickness in EHD Lubrication in Non-Conformal Contact | 2022 |
| 19 | M. Bucior; W. Habrat; R. Kluz; K. Krupa; J. Sęp | Multi-criteria optimization of the turning parameters of Ti-6Al-4V titanium alloy using the Response Surface Methodology | 2022 |
| 20 | R. Amadio; A. Carreras-Coch; D. Mazzei; J. Merino; J. Navarro; J. Sęp; D. Stadnicka; C. Stylios; M. Tyrovolas; T. Żabiński | Industrial Needs in the Fields of Artificial Intelligence, Internet of Things and Edge Computing | 2022 |
| 21 | R. Bartłomowicz; A. Bednarz; J. Jaworski; J. Sęp; A. Wójcik | Analysis of the effects of simplifications on the state of loads in a centrifugal compressor | 2022 |
| 22 | K. Antosz; D. Kwiatanowski; J. Sęp; G. Szyszka | Automatic compensation of errors of multi-task machines in the production of aero engine cases | 2021 |
| 23 | K. Antosz; E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński | Integrating advanced measurement and signal processing for reliability decision-making | 2021 |
| 24 | M. Laciuga; J. Sęp | Analytic optimization framework for resilient manufacturing production and supply planning in Industry 4.0 context-buffer stock allocation-case study | 2021 |
| 25 | E. Kozłowski; D. Mazurkiewicz; S. Prucnal; J. Sęp; T. Żabiński | Machining sensor data management for operation-level predictive model | 2020 |
| 26 | G. Budzik; J. Jóźwik; Ł. Kochmański; M. Oleksy; A. Paszkiewicz; Ł. Przeszłowski; J. Sęp; P. Turek; D. Żelechowski | An Analysis of the Casting Polymer Mold Wear Manufactured Using PolyJet Method Based on the Measurement of the Surface Topography | 2020 |
| 27 | J. Sęp; D. Stadnicka; J. Zając | Przegląd wymagań stawianych specjalistom na rynku pracy w województwie podkarpackim w kontekście wymagań technologii Przemysłu 4.0 | 2020 |
| 28 | K. Dudek; L. Gałda; R. Oliwa; J. Sęp | Surface layer analysis of helical grooved journal bearings after abrasive tests | 2020 |