Karta przedmiotu

Analiza i wizualizacja danych

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:

pierwszego stopnia

Forma studiów:

stacjonarne

Specjalności na kierunku:

Informatyka w zarządzaniu przedsiębiorstwem, Systemy zapewnienia jakości produkcji, Zarządzanie systemami produkcyjnymi

Tytuł otrzymywany po ukończeniu studiów:

inżynier

Nazwa jednostki prowadzącej zajęcia:

Zakład Informatyki

Kod zajęć:

732

Status zajęć:

obowiązkowy dla specjalności Informatyka w zarządzaniu przedsiębiorstwem

Układ zajęć w planie studiów:

sem: 7 / W30 L30 / 5 ECTS / Z

Język wykładowy:

polski

Imię i nazwisko koordynatora:

dr inż. Marcin Olech

Terminy konsultacji koordynatora:

molech.v.prz.edu.pl:

Cel kształcenia i wykaz literatury

Główny cel kształcenia:
Celem przedmiotu jest zapoznanie studentów z podstawowymi metodami analizy i wizualizacji danych oraz wykształcenie umiejętności posługiwania się podstawowymi narzędziami programowymi, które zawiera arkusz kalkulacyjny MS Excel.

Ogólne informacje o zajęciach:
Przedmiot jest obowiązkowy na specjalności dyplomowania, ponieważ analiza danych biznesowych oraz przemysłowych jest obecnie podstawą właściwego podejmowania decyzji w zarządzaniu organizacją, w tym również przedsiębiorstwem produkcyjnym.

Materiały dydaktyczne:
molech.v.prz.edu.pl

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych
1	Michael Alexander, John Walkenbach	Analiza i prezentacja danych w Microsoft Excel. Vademecum Walkenbacha	Helion, Gliwice.	2014
2	Daniel T. Larose	Metody i modele eksploracji danych	Wydawnictwo Naukowe PWN .	2012
3	Foster Provost, Tom Fawcett	Analiza danych w biznesie. Sztuka podejmowania skutecznych decyzji	Helion, Gliwice.	2015
4	Wierzbiński Jerzy	Statystyka opisowa	Wydawnictwo Naukowe Wydziału Zarządzania Uniwersytetu Warszawskiego.	2008
5	Goldmeier J., Duggirala P.	Dashboards for Excel: Deliber Critical Information and Insight at the Speed of a Click	Apress.	2015
6	Nussbaumer Knaflic C.	Storytelling danych: poradnik wizualizacji danych dla profesjonalistów	Helion, Gliwice.	2019
7	Albright C. S., Winston W. L.	Business Analytics: Data Analysis and Decision Making	Cengage Learning.	2015

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych
1	Wayne L. Winston	Microsoft Excel 2019: analiza i modelowanie danych biznesowych	APN PROMISE Sp. Z.o.o, Warszawa.	2019
2	McFedries P.	Excel: wykresy, analiza danych, tabele przestawne	Helion, Gliwice.	2015
3	Bill Jelen, Michael Alexander	Microsoft Excel 2019: przetwarzanie danych za pomocą tabel przestawnych	APN Promise, Warszawa.	2019
4	Powell S., Baker K.	Business Analytics: The Art of Modeling With Spreadsheets	John Wiley & Sons.	2016
5	Milton M.	Head First: Data Analysis	O'Reilly Media, Inc..	2009

Literatura do samodzielnego studiowania
1	StatSoft Polska	Praktyczna analiza danych w marketingu i badaniach rynku	StatSoft Polska, Kraków.	2010
2	Michael Alexander, John Walkenbach	Analiza i prezentacja danych w Microsoft Excel. Vademecum Walkenbacha	Helion, Gliwice.	2011
3	Peck R., Olsen C., Devore J. L.	Introduction to: Statistics & Data Analysis	Cengage Learning.	2016

Wymagania wstępne w kategorii wiedzy / umiejętności / kompetencji społecznych

Wymagania formalne:
Student musi być zarejestrowany na co najmniej 7. semestrze.

Wymagania wstępne w kategorii Wiedzy:
Podstawowa wiedza w zakresie Technologie informacyjnych, Informatyki, Bazy danych, oraz Podstaw Sztucznej Inteligencji

Wymagania wstępne w kategorii Umiejętności:
Umiejętność obsługi arkusza kalkulacyjnego Microsoft Excel

Wymagania wstępne w kategorii Kompetencji społecznych:
Umiejętność samodzielnego poszerzania swej wiedzy i doskonalenia umiejętności zawodowych

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 analizować i wizualizować dane, pochodzące z różnych źródeł, wykorzystując do tego odpowiednie narzędzia programowe	laboratorium	zaliczenie cz. praktyczna	K-W16++ K-W17+ K-U01++ K-U07++ K-U14+ K-U15+	P6S-UW P6S-WG
MEK02	Zna podstawowe metody statystyczne niezbędne do analiz danych inżynierskich, biznesowych oraz produkcyjnych i potrafi je wykorzystywać do rozwiązywania zadań	wykład	zaliczenie cz. pisemna	K-W16++ K-W17+++ K-U01+ K-U15+	P6S-UW P6S-WG
MEK03	Rozumie konieczność analizowania i wizualizowania danych źródłowych w celu usprawnienia procesu decyzyjnego w organizacji.	wykład	zaliczenie cz. pisemna	K-U04++ K-U15++	P6S-UU P6S-UW

Treści kształcenia dla zajęć

Sem.	TK	Treści kształcenia	Realizowane na	MEK
7	TK01	Analiza danych w arkuszach kalkulacyjnych MS Excel: wykorzystywanie wybranych funkcji finansowych, statystycznych oraz daty i czasu do analizy danych.	L01	MEK01
7	TK02	Wykorzystanie analizy scenariuszowej w procesie podejmowania decyzji w przedsiębiorstwie. Podstawy analizy wrażliwości w pakiecie Microsoft Excel.	L02	MEK01
7	TK03	Wizualna prezentacja danych w pakiecie Microsoft Excel - wykorzystanie kreatora wykresów.	L04	MEK01
7	TK04	Tabele i wykresy przestawne. Pola obliczeniowe w tabelach przestawnych.	L07	MEK01
7	TK05	Przygotowywanie i analiza statystyk opisowych w pakiecie Microsoft Excel.	L08	MEK01
7	TK06	Prowadzenie analizy inwestycyjnych i finansowych w pakiecie Microsoft Excel.	L06	MEK01
7	TK07	Wprowadzenie do analizy i wizualizacji danych. Podstawowe pojęcia stosowane w analizie danych.	W01	MEK03
7	TK08	Microsoft Excel jako narzędzie analizy i wizualizacji danych. Narzędzie filtr automatyczny, filtr zaawansowany, suma pośrednia.	W02	MEK03
7	TK09	Wizualizacja danych. Proces interpretacji danych wizualnych. Historia wizualizacji. Elementy składowe wykresu.	W03	MEK03
7	TK10	Narzędzie tabela i wykres przestawny.	W06	MEK03
7	TK11	Podstawy statystyki opisowej i ich zastosowanie w analizie i wizualizacji danych.	W07	MEK02
7	TK12	Zastosowanie analizy i wizualizacji danych - pulpity menedżerskie i infografika.	W09	MEK03
7	TK13	Filtrowanie danych w pakiecie Microsoft Excel	L03	MEK01
7	TK14	Wizualna prezentacja danych w pakiecie Microsoft Excel - manualne tworzenie wykresów niestandardowych.	L05	MEK01
7	TK15	Wykorzystanie narzędzia "Analiza danych" do analizy i wizualizacji danych	L09	MEK01
7	TK16	Kolokwium zaliczeniowe - laboratorium	L10	MEK01
7	TK17	Wizualizacja danych. Typy wykresów, dobór odpowiedniego typu wykresu. Wykresy przebiegu w czasie oraz inne techniki wizualizacji danych dostępne w środowisku Microsoft Excel.	W04	MEK03
7	TK18	Wizualizacja danych. Przegląd technik manipulacji danymi na wykresie. Obsługa danych brakujących na wykresach. Wykresy przebiegu w czasie w Microsoft Excel 2007.	W05	MEK03
7	TK19	Wyznaczanie wybranych miar statystycznych dla danych.	W08	MEK02
7	TK20	Kolokwium zaliczeniowe - wykład	W10	MEK02 MEK03

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 7)	Przygotowanie do kolokwium: 10.00 godz./sem.	Godziny kontaktowe: 30.00 godz./sem.	Uzupełnienie/studiowanie notatek: 10.00 godz./sem. Studiowanie zalecanej literatury: 8.00 godz./sem.
Laboratorium (sem. 7)	Przygotowanie do laboratorium: 4.00 godz./sem. Przygotowanie do kolokwium: 10.00 godz./sem.	Godziny kontaktowe: 30.00 godz./sem.
Konsultacje (sem. 7)	Przygotowanie do konsultacji: 1.00 godz./sem.	Udział w konsultacjach: 1.00 godz./sem.
Zaliczenie (sem. 7)	Przygotowanie do zaliczenia: 15.00 godz./sem.	Zaliczenie pisemne: 3.00 godz./sem. Inne: 3.00 godz./sem.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład	Na zaliczeniu pisemnym wykładu sprawdzana jest realizacja drugiego i trzeciego efektu modułowego (MEK02 i MEK03). Sprawdzian obejmuje cztery pytania. Pytania 1 - 3 dotyczą MEK03, pytanie 4 dotyczy MEK02. Pytania mają przypisaną następującą liczbę punktów: Pytanie 1. - 2 pkt. Pytanie 2. - 3,25 pkt. Pytanie 3. - 4 pkt. Pytanie 4. - 4,75 pkt. Student musi uzyskać min. 50% punktów z sumy punktów za pytania 1-3 i min. 50% punktów za pytanie 4, aby uzyskać efekt kształcenia. Częściowo poprawna lub niepełna odpowiedź powoduje przyznanie proporcjonalnej liczby punktów za pytanie. Uzyskana przez studenta liczba punktów jest sumowana, przekształcana na wartość procentową, a następnie konsultowana z następującą skalą ocen: do 30%) - ndst. (2.0); <30% - 45%) - dst. (3.0); <45% - 60%) - dst+ (3.5); <60% - 75%) - db (4.0); <75% - 90%) - db+ (4.5); <90 - 100%) - bdb (5.0)
Laboratorium	Na zaliczeniu praktycznym laboratorium sprawdzana jest realizacja pierwszego efektu modułowego (MEK01). Sprawdzian przy komputerze obejmuje pięć pytań. Pytania mają przypisaną następującą liczbę punktów: Pytanie 1. - 2,5 pkt. Pytanie 2. - 2 pkt. Pytanie 3. - 2 pkt. Pytanie 4. - 2 pkt. Pytanie 5. - 2,5 pkt. Student musi uzyskać min. 50% punktów z sumy punktów za pytania 1-5. Częściowo poprawna lub niepełna odpowiedź powoduje przyznanie proporcjonalnej liczby punktów za pytanie. Uzyskana przez studenta liczba punktów jest sumowana, a następnie konsultowana z następującą skalą ocen: do 5,5) - ndst. (2.0); <5,5 - 6,5) - dst. (3.0); <6,5 - 7,5) - dst+ (3.5); <7,5 - 9) - db (4.0); <9 - 10) - db+ (4.5); <10 - 11) - bdb (5.0)
Ocena końcowa	Warunkiem zaliczenia modułu jest osiągnięcie wszystkich efektów kształcenia. Ocena z zaliczenia przedmiotu (ocena końcowa) ustalana jest jako średnia arytmetyczna oceny z części wykładowej i laboratoryjnej. Przyjęta precyzja przy zaokrąglaniu ocen to 0.25.

Przykładowe zadania

Wymagane podczas egzaminu/zaliczenia
AiWD_K_W_Przykładowe_zadania.pdf
AiWD_K_W_Przykładowe_zadania.pdf

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	M. Olech; Ł. Paśko	Customer Trust Versus Retailer Profit: A Case Study on Optimising Base Stock Level Using Multi-Agent-Based Simulation	2024
3	M. Olech; M. Rataj	Directions in Fuzzy Relation Equations: Conclusions from the Current State of the Art	2022
4	J. Litwin; M. Olech; A. Szymusik	Applying Python’s Time Series Forecasting Method in Microsoft Excel-Integration as a Business Process Supporting Tool for Small Enterprises	2021
5	J. Jakieła; M. Olech; M. Rataj	Crossing the Chasm-from Business Models to Software Architecture	2020