Karta przedmiotu
Podstawy programowania
Podstawowe informacje o zajęciach
Cykl kształcenia:
2025/2026
Nazwa jednostki prowadzącej studia:
Wydział Budowy Maszyn i Lotnictwa
Nazwa kierunku studiów:
Inżynieria mechaniczna
Obszar kształcenia:
nauki ścisłe/techniczne
Profil studiów:
ogólnoakademicki
Poziom studiów:
pierwszego stopnia
Forma studiów:
stacjonarne
Specjalności na kierunku:
Komputerowo zintegrowane wytwarzanie, Materiały konstrukcyjne, Pojazdy samochodowe, Programowanie maszyn CNC
Tytuł otrzymywany po ukończeniu studiów:
inżynier
Nazwa jednostki prowadzącej zajęcia:
Zakład Informatyki
Kod zajęć:
16474
Status zajęć:
obowiązkowy dla programu Komputerowo zintegrowane wytwarzanie, Materiały konstrukcyjne, Pojazdy samochodowe, Programowanie maszyn CNC
Układ zajęć w planie studiów:
sem: 1 / L30 / 2 ECTS / Z
Język wykładowy:
polski
Imię i nazwisko koordynatora:
dr inż. Łukasz Paśko
Terminy konsultacji koordynatora:
Podane na stronie lukaszpasko.v.prz.edu.pl
semestr 1:
dr inż. Marcin Olech
Cel kształcenia i wykaz literatury
Główny cel kształcenia:
Głównym celem przedmiotu jest wprowadzenie studentów w zagadnienia związane z programowaniem na przykładzie najbardziej popularnego obecnie języka programowania, jakim jest Python.
Ogólne informacje o zajęciach:
Moduł jest obowiązkowy dla kierunku inżynieria mechaniczna.
Materiały dydaktyczne:
Materiały dydaktyczne są udostępniane na stronach WWW prowadzących zajęcia.
Wykaz literatury, wymaganej do zaliczenia zajęć
| 1 | Beazley D. | Python: zwięzłe kompedium dla programisty | Helion, Gliwice. | 2023 |
| 2 | Kubiak M.J. | Python: zadania z programowania: przykładowe funkcyjne rozwiązania | Helion, Gliwice. | 2021 |
| 3 | Kubiak M.J. | Python: zadania z programowania: przykładowe imperatywne rozwiązania | Helion, Gliwice. | 2021 |
| 4 | Johansson R. | Matematyczny Python. Obliczenia naukowe i analiza danych z użyciem NumPy, SciPy i Matplotlib | Helion, Gliwice. | 2021 |
| 1 | Bruce P., Bruce A., Gedeck P. | Statystyka praktyczna w data science: 50 kluczowych zagadnień w językach R i Python | Helion, Gliwice. | 2021 |
Wymagania wstępne w kategorii wiedzy / umiejętności / kompetencji społecznych
Wymagania formalne:
Student musi być zarejestrowany na semestr 1.
Wymagania wstępne w kategorii Wiedzy:
Student posiada podstawową wiedzę z zakresu matematyki.
Wymagania wstępne w kategorii Umiejętności:
Obsługa komputera z systemem operacyjnym Windows.
Wymagania wstępne w kategorii Kompetencji społecznych:
Brak wymagań.
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 | Potrafi wykorzystać wbudowane funkcje języka Python oraz funkcje własne do wykonania obliczeń inżynierskich, a także potrafi tworzyć wykresy. | laboratorium | zaliczenie cz. praktyczna |
K-W04+++ K-U07++ K-K02+ |
P6S-KO P6S-UW P6S-WG |
| MEK02 | Potrafi tworzyć programy w języku Python, zawierające elementy graficznego interfejsu użytkownika. | laboratorium | zaliczenie cz. praktyczna |
K-W04+++ K-U07+ K-U10+ |
P6S-UW P6S-WG |
Treści kształcenia dla zajęć
| Sem. | TK | Treści kształcenia | Realizowane na | MEK |
|---|---|---|---|---|
| 1 | TK01 | L01 | MEK01 | |
| 1 | TK02 | L02 | MEK01 | |
| 1 | TK03 | L03 | MEK01 | |
| 1 | TK04 | L04 | MEK01 | |
| 1 | TK05 | L05 | MEK01 | |
| 1 | TK06 | L06 | MEK01 | |
| 1 | TK07 | L07 | MEK01 | |
| 1 | TK08 | L08 | MEK01 | |
| 1 | TK09 | L09 | MEK02 | |
| 1 | TK10 | L10 | MEK02 | |
| 1 | TK11 | L11 | MEK02 | |
| 1 | TK12 | L12 | MEK02 | |
| 1 | TK13 | L13 | MEK02 | |
| 1 | TK14 | L14 | MEK02 | |
| 1 | TK15 | L15 | MEK02 |
Nakład pracy studenta
| Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
|---|---|---|---|
| Laboratorium (sem. 1) | Przygotowanie do kolokwium:
10.00 godz./sem. |
Godziny kontaktowe:
30.00 godz./sem. |
Inne:
13.00 godz./sem. |
| Konsultacje (sem. 1) | |||
| Zaliczenie (sem. 1) |
Sposób wystawiania ocen składowych zajęć i oceny końcowej
| Forma zajęć | Sposób wystawiania oceny podsumowującej |
|---|---|
| Laboratorium | Weryfikacja efektów uczenia się podzielona jest na dwa sprawdziany. Na pierwszym sprawdzianie weryfikowany jest modułowy efekt uczenia się MEK01, a na drugim sprawdzianie MEK02. Sposób weryfikacji MEK01 i MEK02: osiągnięcie efektu jest weryfikowane za pomocą zadań praktycznych, które należy wykonać na stanowisku komputerowym korzystając z języka Python. Za w całości poprawne wykonanie zadania student otrzymuje maksymalną liczbę punktów. Częściowe wykonanie zadania powoduje przyznanie liczby punktów proporcjonalnej do stopnia zrealizowania danego zadania. Zdobyte punkty za wszystkie zadania są sumowane. Student uzyskuje ocenę z MEK01 i 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). |
| Ocena końcowa | Ocena końcowa z modułu wyznaczana jest jako średnia arytmetyczna ocen z MEK01 i MEK02. Przeliczenie uzyskanej średniej na ocenę końcową jest następujące: 2,00 - 2,99: 2,0 (ndst); 3,00 - 3,24: 3,0 (dst); 3,25 - 3,74: 3,5 (+dst); 3,75 - 4,24: 4,0 (db); 4,25 - 4,74: 4,5 (+db); 4,75 - 5,00: 5,0 (bdb). |
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 | M. Olech; Ł. Paśko | Determine Selected Delivery Parameters Using Multi-Agent-Based Simulation: A Case Study | 2025 |
| 2 | I. Bagdoniene; A. Briones; V. Caballero; A. Carreras-Coch; G. Dec; R. Figliè; J. Navarro; L. Pappa; Ł. Paśko; X. Solé-Beteta; D. Stadnicka; C. Stylios; M. Tyrovolas; A. Zaballos | Bridging academia and industry in the era of Industry 4.0 by means of the triple helix: The PLANET4 initiative | 2024 |
| 3 | M. Olech; Ł. Paśko | Customer Trust Versus Retailer Profit: A Case Study on Optimising Base Stock Level Using Multi-Agent-Based Simulation | 2024 |
| 4 | 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 |
| 5 | Ł. Paśko; G. Setlak | Image as a Way of Processing Multidimensional Production Data for Product Quality Prediction Using Deep Learning | 2024 |
| 6 | 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 |
| 7 | 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 |
| 8 | 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 |
| 9 | K. Antosz; Ł. Paśko | Neural Model of Manufacturing Process as a Way to Improve Predictability of Manufacturing | 2022 |
| 10 | A. Kuś; Ł. Paśko | Bootstrap Aggregation Technique for Evaluating the Significance of Manufacturing Process Parameters in the Glass Industry | 2021 |
| 11 | 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 |
| 12 | 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 |
| 13 | 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 |
| 14 | P. Litwin; Ł. Paśko | Metody klasteryzacji danych w badaniu podobieństwa parametrów procesu wytwórczego | 2020 |
| 15 | Ł. Paśko | Significance of Manufacturing Process Parameters in a Glassworks | 2020 |
| 16 | Ł. Paśko; G. Setlak | Random Forests in a Glassworks: Knowledge Discovery from Industrial Data | 2020 |