Karta przedmiotu

Podstawy informatyki

Podstawowe informacje o zajęciach

Cykl kształcenia:

2025/2026

Nazwa jednostki prowadzącej studia:

Wydział Budowy Maszyn i Lotnictwa

Nazwa kierunku studiów:

Mechatronika

Obszar kształcenia:

nauki techniczne

Profil studiów:

ogólnoakademicki

Poziom studiów:

pierwszego stopnia

Forma studiów:

stacjonarne

Specjalności na kierunku:

Informatyka i robotyka, Komputerowo wspomagane projektowanie

Tytuł otrzymywany po ukończeniu studiów:

Inżynier

Nazwa jednostki prowadzącej zajęcia:

Zakład Informatyki

Kod zajęć:

579

Status zajęć:

obowiązkowy dla programu

Układ zajęć w planie studiów:

sem: 2 / W30 L30 / 5 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 2:

dr inż. Marcin Olech

semestr 2:

dr inż. Rafał Gałek

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 mechatronika.

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

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych
1	Lutz M.	Python. Wprowadzenie	Helion, Gliwice.	2023
2	Bell A.	Python. Uczymy się programowania	Helion, Gliwice.	2019
3	Geron A.	Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow	Helion, Gliwice.	2020

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych
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

Literatura do samodzielnego studiowania
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 2.

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	Zna składnię języka Python i wybrane struktury danych Pythona, rozumie podstawowe algorytmy służące do rozwiązania prostych problemów informatycznych oraz potrafi wyjaśnić działanie instrukcji języka Python.	wykład	zaliczenie cz. pisemna	K-W01+++ K-U04+ K-U13+ K-U16+	P6S-KR P6S-UO P6S-UU P6S-WG
MEK02	Potrafi wykorzystać wbudowane funkcje języka Python oraz funkcje własne do wykonania obliczeń inżynierskich, a także potrafi tworzyć wykresy.	laboratorium	zaliczenie cz. praktyczna	K-W01+++ K-K04+	P6S-KR P6S-WG
MEK03	Potrafi tworzyć programy w języku Python, zawierające elementy graficznego interfejsu użytkownika.	laboratorium	zaliczenie cz. praktyczna	K-W01+++ K-U01++ K-U13+	P6S-UO P6S-UW P6S-WG

Treści kształcenia dla zajęć

Sem.	TK	Treści kształcenia	Realizowane na	MEK
2	TK01	Wprowadzenie do programowania.	W01	MEK01
2	TK02	Programowanie w języku Python: zmienne, obliczenia arytmetyczne.	W02	MEK01 MEK02
2	TK03	Programowanie w języku Python: obsługa wejścia/wyjścia, instrukcja warunkowa.	W03	MEK01 MEK02
2	TK04	Programowanie w języku Python: tworzenie wykresów.	W04	MEK01 MEK02
2	TK05	Programowanie w języku Python: pętle.	W05	MEK01 MEK02
2	TK06	Programowanie w języku Python: funkcje własne, wybrane struktury danych.	W06	MEK01 MEK02
2	TK07	Elementy statystyki w języku Python.	W07	MEK01 MEK02
2	TK08	Problem regresji w języku Python.	W08	MEK01 MEK02
2	TK09	Problem klasyfikacji w uczeniu maszynowym.	W09	MEK01
2	TK10	Ocena modeli uczenia maszynowego.	W10	MEK01
2	TK11	Podstawy programowania obiektowego w języku Python.	W11	MEK01 MEK03
2	TK12	Modelowanie symulacyjne w języku Python.	W12	MEK01 MEK03
2	TK13	Chmury obliczeniowe.	W13	MEK01
2	TK14	Wirtualizacja.	W14	MEK01
2	TK15	Kolokwium zaliczeniowe.	W15	MEK01
2	TK16	Zapoznanie ze środowiskiem Python.	L01	MEK02
2	TK17	Operacje matematyczne.	L02	MEK01 MEK02
2	TK18	Interakcja programu z użytkownikiem, instrukcja warunkowa.	L03	MEK01 MEK02
2	TK19	Tworzenie wykresów.	L04	MEK01 MEK02
2	TK20	Instrukcje iteracyjne - częć 1.	L05	MEK01 MEK02
2	TK21	Instrukcje iteracyjne - część 2.	L06	MEK01 MEK02
2	TK22	Funkcje własne.	L07	MEK01 MEK02
2	TK23	Sprawdzian zaliczeniowy nr 1.	L08	MEK02
2	TK24	Zapoznanie z ramkami danych.	L09	MEK01 MEK03
2	TK25	Praca na ramkach danych.	L10	MEK01 MEK03
2	TK26	Elementy statystyki i uczenia maszynowego.	L11	MEK01 MEK03
2	TK27	Podstawy programowania obiektowego.	L12	MEK01 MEK03
2	TK28	Programowanie z elementami graficznego interfejsu użytkownika - część 1.	L13	MEK01 MEK03
2	TK29	Programowanie z elementami graficznego interfejsu użytkownika - część 2.	L14	MEK01 MEK03
2	TK30	Sprawdzian zaliczeniowy nr 2.	L15	MEK03

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 2)		Godziny kontaktowe: 30.00 godz./sem.	Uzupełnienie/studiowanie notatek: 15.00 godz./sem. Studiowanie zalecanej literatury: 15.00 godz./sem.
Laboratorium (sem. 2)	Przygotowanie do kolokwium: 10.00 godz./sem.	Godziny kontaktowe: 30.00 godz./sem.	Inne: 13.00 godz./sem.
Konsultacje (sem. 2)
Zaliczenie (sem. 2)	Przygotowanie do zaliczenia: 10.00 godz./sem.	Zaliczenie pisemne: 2.00 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 uczenia się 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	Weryfikacja efektów uczenia się podzielona jest na dwa sprawdziany. Na pierwszym sprawdzianie weryfikowany jest modułowy efekt uczenia się MEK02, a na drugim sprawdzianie MEK03. Sposób weryfikacji MEK02 i MEK03: 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 MEK02 i 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. 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