Karta przedmiotu

Analityka predyktywna

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:

Zakład Informatyki

Kod zajęć:

4552

Status zajęć:

obowiązkowy dla specjalności Analityka biznesowa w zarządzaniu przedsiębiorstwem

Układ zajęć w planie studiów:

sem: 2 / W15 L30 / 3 ECTS / Z

Język wykładowy:

polski

Imię i nazwisko koordynatora:

dr inż. Łukasz Paśko

Terminy konsultacji koordynatora:

https://lukaszpasko.v.prz.edu.pl/konsultacje

Cel kształcenia i wykaz literatury

Główny cel kształcenia:
Moduł daje studentom możliwość nabycia umiejętności pozwalających wykorzystać wybrane metody, techniki i narzędzia do tworzenia modeli predykcyjnych. Studenci zapoznają się z wieloma zagadnieniami związanymi z predyktywną analityką biznesową w ujęciu klasycznym (m.in. regresja liniowa, logistyczna), a także w szerszym ujęciu – z zastosowaniem wybranych metod i technik uczenia maszynowego. Włączenie zagadnień uczenia maszynowego do treści kształcenia jest odpowiedzią na aktualne potrzeby rynku pracy i oczekiwania współczesnych przedsiębiorstw wdrażających elementy koncepcji Przemysłu 4.0, sztucznej inteligencji czy big data.

Ogólne informacje o zajęciach:
Moduł jest obowiązkowy w ramach programu nauczania w zakresie specjalności Analityka biznesowa w zarządzaniu przedsiębiorstwem na kierunku Zarządzanie i inżynieria produkcji.

Materiały dydaktyczne:
Materiały wykładowe i instrukcje własne dostępne w wersji elektronicznej na stronie internetowej prowadzącego zajęcia (v.prz.edu.pl).

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych
1	Provost F., Fawcett T.	Analiza danych w biznesie. Sztuka podejmowania skutecznych decyzji	Helion.	2019
2	Natingga D.	Algorytmy data science	PWN.	2021
3	Gatnar E., Walesiak M.	Statystyczna analiza danych z wykorzystaniem programu R	PWN.	2009
4	Grus J.	Data science od podstaw. Analiza danych w Pythonie	Helion.	2018
5	Winston W.L.	Microsoft Excel 2019 – Analiza i modelowanie danych biznesowych	Microsoft Press.	2019

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych
1	Gągolewski M.	Programowanie w języku R. Analiza danych, obliczenia, symulacje	PWN.	2016
2	Harrison M.	Uczenie maszynowe w Pythonie. Leksykon kieszonkowy	Helion.	2020
3	Alexander M., Kusleika D., Walkenbach J.	Excel 2019 PL. Biblia	Helion.	2019

Literatura do samodzielnego studiowania
1	Nielsen A.	Szeregi czasowe. Praktyczna analiza i predykcja z wykorzystaniem statystyki i uczenia maszynowego	Helion.	2020

Wymagania wstępne w kategorii wiedzy / umiejętności / kompetencji społecznych

Wymagania formalne:
Rejestracja na co najmniej 2 semestr studiów drugiego stopnia na kierunku Zarządzanie i inżynieria produkcji.

Wymagania wstępne w kategorii Wiedzy:
Wiedza dotycząca zagadnień związanych z technologiami informacyjnymi, informatyką, systemami wspomagania decyzji i zarządzaniem wiedzą.

Wymagania wstępne w kategorii Umiejętności:
Obsługa systemu operacyjnego Windows, obsługa pakietu Microsoft Office.

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	Opisuje metody i techniki analizy i przetwarzania danych wykorzystywane do tworzenia modeli predykcyjnych, wskazuje ich możliwości i ograniczenia.	wykład	zaliczenie cz. pisemna: sprawdzian pisemny	K-W02+ K-W05+	P7S-WG P7S-WK
MEK02	Przygotowuje dane do tworzenia modeli predykcyjnych, tworzy modele predykcyjne z wykorzystaniem klasycznego podejścia do analityki predyktywnej, weryfikuje utworzone modele.	laboratorium	zaliczenie cz. praktyczna: rozwiązywanie zadań	K-U07+++	P7S-UK
MEK03	Buduje modele predykcyjne posługując się wybranymi metodami i technikami uczenia maszynowego, stosuje utworzone modele i ocenia jakość wyników predykcji.	laboratorium	zaliczenie cz. praktyczna: rozwiązywanie zadań	K-U07+++	P7S-UK

Treści kształcenia dla zajęć

Sem.	TK	Treści kształcenia	Realizowane na	MEK
2	TK01	Istota predyktywnej analityki biznesowej. Przygotowanie danych dla analityki predyktywnej.	W1	MEK01
2	TK02	Klasyczne podejście do analityki predyktywnej – część 1.	W2	MEK01
2	TK03	Klasyczne podejście do analityki predyktywnej – część 2.	W3	MEK01
2	TK04	Klasyczne podejście do analityki predyktywnej – część 3	W4	MEK01
2	TK05	Uczenie maszynowe w analityce predyktywnej – część 1.	W5	MEK01
2	TK06	Uczenie maszynowe w analityce predyktywnej – część 2.	W6	MEK01
2	TK07	Techniki uczenia nienadzorowanego dla analityki predyktywnej.	W7	MEK01
2	TK08	Sprawdzian zaliczeniowy, część pisemna.	W8	MEK01
2	TK09	Zapoznanie z wybranym narzędziem analityki predyktywnej. Wstępne przetwarzanie danych.	L1	MEK02 MEK03
2	TK10	Tworzenie i ocena modeli regresyjnych – część 1.	L2	MEK02
2	TK11	Tworzenie i ocena modeli regresyjnych – część 2.	L3	MEK02
2	TK12	Tworzenie i ocena modeli regresyjnych – część 3.	L4	MEK02
2	TK13	Analityka predyktywna w prognozowaniu szeregów czasowych.	L5	MEK02
2	TK14	Tworzenie i ocena modeli klasyfikacyjnych – część 1.	L6	MEK02
2	TK15	Tworzenie i ocena modeli klasyfikacyjnych – część 2.	L7	MEK02
2	TK16	Sprawdzian zaliczeniowy, część praktyczna – część 1.	L8	MEK02
2	TK17	Drzewa decyzyjne w problemie klasyfikacji.	L9	MEK03
2	TK18	Drzewa decyzyjne w problemie regresji.	L10	MEK03
2	TK19	Sieci neuronowe w problemie klasyfikacji.	L11	MEK03
2	TK20	Sieci neuronowe w problemie regresji.	L12	MEK03
2	TK21	Klasteryzacja za pomocą metod hierarchicznych.	L13	MEK03
2	TK22	Klasteryzacja za pomocą metod niehierarchicznych.	L14	MEK03
2	TK23	Sprawdzian zaliczeniowy, część praktyczna - część 2.	L15	MEK03

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 2)	Przygotowanie do kolokwium: 5.00 godz./sem.	Godziny kontaktowe: 15.00 godz./sem.	Uzupełnienie/studiowanie notatek: 1.00 godz./sem. Studiowanie zalecanej literatury: 2.00 godz./sem.
Laboratorium (sem. 2)	Przygotowanie do laboratorium: 4.00 godz./sem. Przygotowanie do kolokwium: 5.00 godz./sem.	Godziny kontaktowe: 30.00 godz./sem.	Dokończenia/wykonanie sprawozdania: 4.00 godz./sem.
Konsultacje (sem. 2)		Udział w konsultacjach: 1.00 godz./sem.
Zaliczenie (sem. 2)	Przygotowanie do zaliczenia: 10.00 godz./sem.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład	Na zaliczeniu pisemnym wykładu weryfikowany jest modułowy efekt kształcenia MEK01. Sposób oceniania MEK01: Osiągnięcie efektu uczenia się weryfikowane jest za pomocą pytań dotyczących treści wykładowych. Punkty za poprawnie udzielone odpowiedzi są sumowane, a suma zdobytych punktów przeliczana jest na wynik procentowy, zakładając że maksymalna liczba punktów to 100%. Student uzyskuje ocenę z MEK01 na podstawie następujących przedziałów procentowych: 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).
Laboratorium	Sprawdzenie umiejętności praktycznych dotyczących treści prezentowanych na zajęciach laboratoryjnych podzielone jest na dwa sprawdziany. Pierwszy sprawdzian weryfikuje modułowy efekt kształcenia MEK02, a drugi sprawdzian - MEK03. Sprawdziany obejmują wykonanie zadań dotyczących: przygotowania danych (pre-processing), tworzenia modeli predykcyjnych oraz ich oceny. Sposób oceniania MEK02: student rozwiązuje zadania dotyczące przygotowania danych do analizy, tworzenia modeli predykcyjnych wykorzystując podejście klasyczne do analityki predyktywnej oraz weryfikowania poprawności utworzonych modeli. 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 MEK03: student rozwiązuje zadania dotyczące przygotowania danych do analizy, tworzenia modeli predykcyjnych wykorzystując uczenie maszynowe oraz weryfikowania poprawności utworzonych modeli. 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 MEK03 są sumowane. Student uzyskuje ocenę z MEK03 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 ważona ocen z MEK01, MEK02 i MEK03, przy czym MEK01 ma wagę 0,2, MEK02 ma wagę 0,4, a MEK03 ma wagę 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	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