Karta przedmiotu
Zarządzanie danymi produkcyjnymi
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:
741
Status zajęć:
obowiązkowy dla specjalności Zarządzanie systemami produkcyjnymi
Układ zajęć w planie studiów:
sem: 7 / W30 L30 / 4 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 zdobycia wiedzy na temat danych pochodzących z procesów produkcyjnych i kwestii związanych z zarządzaniem takimi danymi. Studenci mają także możliwość poznania metod, technik i narzędzi służących do przetwarzania, analizy i wizualizacji danych produkcyjnych.
Ogólne informacje o zajęciach:
Moduł jest obowiązkowy w ramach programu nauczania w zakresie specjalności Zarządzanie systemami produkcyjnymi 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
| 1 | Strengholt P. | Zarządzanie danymi w zbiorach o dużej skali | Helion, Gliwice. | 2024 |
| 2 | Wieczorkowski J., Chomiak-Orsa I., Pawełoszek I. | Big data w zarządzaniu | PWE, Warszawa. | 2021 |
| 3 | Nielsen A. | Szeregi czasowe: praktyczna analiza i predykcja z wykorzystaniem statystyki i uczenia maszynowego | Helion, Gliwice. | 2020 |
| 4 | Lee H., Sohn I. | Big Data w przemyśle: jak wykorzystać analizę danych do optymalizacji kosztów procesów? | PWN, Warszawa. | 2016 |
| 1 | Raviv G. | Power Query w Excelu i Power BI: zbieranie i przekształcanie danych | Helion, Gliwice. | 2020 |
| 2 | Hurbans R. | Algorytmy sztucznej inteligencji: ilustrowany przewodnik | Helion, Gliwice. | 2021 |
| 3 | Wilke C.O. | Podstawy wizualizacji danych: zasady tworzenia atrakcyjnych wykresów | Helion, Gliwice. | 2020 |
| 1 | Ferrari A., Russo M. | Power BI i Power Pivot dla Excela: analiza danych | Helion, Gliwice. | 2020 |
| 2 | Harrison G. | NoSQL, NewSQL i BigData: bazy danych następnej generacji | Helion, Gliwice. | 2019 |
Wymagania wstępne w kategorii wiedzy / umiejętności / kompetencji społecznych
Wymagania formalne:
Rejestracja na co najmniej 7 semestr studiów pierwszego stopnia na kierunku Zarządzanie i inżynieria produkcji.
Wymagania wstępne w kategorii Wiedzy:
Wiedza dotycząca zagadnień związanych z technologiami informacyjnymi, informatyką, bazami danych i uczeniem maszynowym.
Wymagania wstępne w kategorii Umiejętności:
Obsługa systemu operacyjnego Windows, obsługa pakietu Microsoft Office.
Wymagania wstępne w kategorii Kompetencji społecznych:
Student rozumie konieczność samokształcenia się i dokształcania.
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 metody, techniki i narzędzia gromadzenia, przetwarzania, analizy i zarządzania danymi produkcyjnymi. | wykład | zaliczenie cz. pisemna |
K-W11++ |
P6S-WK |
| MEK02 | Tworzy narzędzia informatyczne do monitorowania procesu produkcyjnego i gromadzenia danych produkcyjnych. | laboratorium | sprawozdania z realizacji laboratorium |
K-U01+++ K-U04+ |
P6S-UU P6S-UW |
| MEK03 | Integruje narzędzia informatyczne w celu analizy, przetwarzania i wizualizacji danych produkcyjnych. | laboratorium | zaliczenie cz. praktyczna |
K-U01++ K-U04+ |
P6S-UU P6S-UW |
Treści kształcenia dla zajęć
| Sem. | TK | Treści kształcenia | Realizowane na | MEK |
|---|---|---|---|---|
| 7 | TK01 | W01 | MEK01 | |
| 7 | TK02 | W02 | MEK01 | |
| 7 | TK03 | W03 | MEK01 | |
| 7 | TK04 | W04 | MEK01 | |
| 7 | TK05 | W05 | MEK01 | |
| 7 | TK06 | W06 | MEK01 | |
| 7 | TK07 | W07 | MEK01 | |
| 7 | TK08 | W08 | MEK01 | |
| 7 | TK09 | W09 | MEK01 | |
| 7 | TK10 | W10 | MEK01 | |
| 7 | TK11 | W11 | MEK01 | |
| 7 | TK12 | W12 | MEK01 | |
| 7 | TK13 | W13 | MEK01 | |
| 7 | TK14 | W14 | MEK01 | |
| 7 | TK15 | W15 | MEK01 | |
| 7 | TK16 | L01 | MEK02 | |
| 7 | TK17 | L02 | MEK02 | |
| 7 | TK18 | L03 | MEK02 | |
| 7 | TK19 | L04 | MEK02 | |
| 7 | TK20 | L05 | MEK02 | |
| 7 | TK21 | L06 | MEK02 | |
| 7 | TK22 | L07 | MEK02 | |
| 7 | TK23 | L08 | MEK02 | |
| 7 | TK24 | L09 | MEK03 | |
| 7 | TK25 | L10 | MEK03 | |
| 7 | TK26 | L11 | MEK03 | |
| 7 | TK27 | L12 | MEK03 | |
| 7 | TK28 | L13 | MEK03 | |
| 7 | TK29 | L14 | MEK03 | |
| 7 | TK30 | L15 | MEK03 |
Nakład pracy studenta
| Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
|---|---|---|---|
| Wykład (sem. 7) | Przygotowanie do kolokwium:
5.00 godz./sem. |
Godziny kontaktowe:
30.00 godz./sem. |
Uzupełnienie/studiowanie notatek:
2.00 godz./sem. Studiowanie zalecanej literatury: 8.00 godz./sem. |
| Laboratorium (sem. 7) | Przygotowanie do laboratorium:
5.00 godz./sem. Przygotowanie do kolokwium: 10.00 godz./sem. |
Godziny kontaktowe:
30.00 godz./sem. |
Dokończenia/wykonanie sprawozdania:
10.00 godz./sem. |
| Konsultacje (sem. 7) | Udział w konsultacjach:
1.00 godz./sem. |
||
| Zaliczenie (sem. 7) | Zaliczenie pisemne:
1.00 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 | Umiejętności praktyczne dotyczące treści prezentowanych na zajęciach laboratoryjnych oceniane są na podstawie sprawozdań oraz sprawdzianu. Sprawozdania weryfikują modułowy efekt kształcenia MEK02, a sprawdzian weryfikuje MEK03. Sposób oceniania MEK02: student przygotowuje sprawozdania dotyczące ćwiczeń realizowanych podczas zajęć laboratoryjnych. Maksymalna liczba punktów, jaką można zdobyć za realizację danego sprawozdania zależy od poziomu trudności i czasochłonności ćwiczenia, które go dotyczy. Częściowe wykonanie danego sprawozdania powoduje przyznanie liczby punktów proporcjonalnej do stopnia zrealizowania tego sprawozdania. Zdobyte punkty za wszystkie sprawozdania 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 oraz analizy i wizualizacji danych. 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 i MEK02 mają wagę 0,3, 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 |