Cykl kształcenia: 2022/2023
Nazwa jednostki prowadzącej studia: Wydział Matematyki i Fizyki Stosowanej (p.prakt)
Nazwa kierunku studiów: Inżynieria i analiza danych
Obszar kształcenia: nauki ścisłe
Profil studiów: praktyczny
Poziom studiów: pierwszego stopnia
Forma studiów: stacjonarne
Specjalności na kierunku: inżynieria i analiza danych
Tytuł otrzymywany po ukończeniu studiów: inżynier
Nazwa jednostki prowadzącej zajęcia: Zakład Modelowania Matematycznego
Kod zajęć: 12566
Status zajęć: obowiązkowy dla programu inżynieria i analiza danych
Układ zajęć w planie studiów: sem: 6 / W15 P15 / 2 ECTS / Z
Język wykładowy: polski
Imię i nazwisko koordynatora: dr hab. prof. PRz Andrzej Włoch
Główny cel kształcenia: Zapoznanie studentów z sieciami Bayesa.
Ogólne informacje o zajęciach: Wykorzystanie metod komputerowych w analizie danych.
1 | M. Scutari, J.-B. Denis | Bayesian Networks with Examples in R | Texts in Statistical Science, Chapman & Hall/CRC. | 2021 |
2 | R. Nagarajan, M. Scutari, S. Lèbre | Bayesian Networks in R with Applications in Systems Biology | Springer. | 2013 |
1 | P. Biacek | Przewodnik po pakiecie R | GiS, Wrocław. | 2017 |
Wymagania formalne: Ukończony kurs rachunku prawdopodobieństwa, algebry liniowej, statystyki i teorii grafów i sieci. Student spełnia wymagania określone w regulaminie studiów.
Wymagania wstępne w kategorii Wiedzy: Znajomość podstawowych pojęć rachunku prawdopodobieństwa, statystyki i teorii grafów.
Wymagania wstępne w kategorii Umiejętności: Umiejętność posługiwania się podstawowymi metodami rachunku prawdopodobieństwa, statystyki, rachunku macierzowego i teorii grafów. Podstawowa znajomość pakietu R.
Wymagania wstępne w kategorii Kompetencji społecznych: Student jest przygotowany do podjęcia merytorycznie uzasadnionych działań matematycznych w celu rozwiązania postawionego zadania.
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 |
---|---|---|---|---|---|
01 | Zna zasady estymacji za pomocą metod: najmniejszych kwadratów i największej wiarygodności oraz umie przeprowadzić proste wnioskowanie statystyczne używając tych metod. | Wykład, projekt | Zaliczenie, projekt |
K_W01+ K_U06+ K_K05+ |
P6S_KO P6S_UW P6S_WG |
02 | Zna podstawy bayesowskich metod wnioskowania statystycznego i w prostych sytuacjach potrafi nimi prawidłowo się posługiwać. | Wykład, projekt | Zaliczenie, projekt |
K_W04+ K_U06+ |
P6S_UW P6S_WG |
03 | Stosuje pakiet R do modelowania i rozwiązywania prostych problemów analizy statystycznej. | Projekt | Projekt |
K_W04+ K_U05+ |
P6S_UW P6S_WG |
Uwaga: W zależności od sytuacji epidemicznej, jeżeli nie będzie możliwości weryfikacji osiągniętych efektów uczenia się określonych w programie studiów w sposób stacjonarny w szczególności zaliczenia i egzaminy kończące określone zajęcia będą mogły się odbywać przy użyciu środków komunikacji elektronicznej (w sposób zdalny).
Sem. | TK | Treści kształcenia | Realizowane na | MEK |
---|---|---|---|---|
6 | TK01 | W1-2, P1-15 | MEK01 MEK02 | |
6 | TK02 | W3-4, P1-15 | MEK01 MEK03 | |
6 | TK03 | W5-7, P1-15 | MEK02 MEK03 | |
6 | TK04 | W8-10, P1-15 | MEK03 | |
6 | TK05 | W11-12, P1-15 | MEK01 MEK02 MEK03 | |
6 | TK06 | W13-15, P1-15 |
Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
---|---|---|---|
Wykład (sem. 6) | Godziny kontaktowe:
15.00 godz./sem. |
Uzupełnienie/studiowanie notatek:
5.00 godz./sem. |
|
Projekt/Seminarium (sem. 6) | Godziny kontaktowe:
15.00 godz./sem.. |
Wykonanie projektu/dokumentacji/raportu:
10.00 godz./sem. |
|
Konsultacje (sem. 6) | Udział w konsultacjach:
1.00 godz./sem. |
||
Zaliczenie (sem. 6) | Przygotowanie do zaliczenia:
5.00 godz./sem. |
Inne:
1.00 godz./sem. |
Forma zajęć | Sposób wystawiania oceny podsumowującej |
---|---|
Wykład | Na podstawie obecności. |
Projekt/Seminarium | Ocena z projektu. |
Ocena końcowa | Ocena z projektu. |
Wymagane podczas egzaminu/zaliczenia
(-)
Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)
Inne
(-)
Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : nie
1 | E. Özkan; D. Strzałka; A. Włoch; N. Yilmaz | On Doubled and Quadrupled Fibonacci Type Sequences | 2024 |
2 | P. Jaśkiewicz; B. Kozicki; A. Włoch; J. Zieliński | The Impact of the Covid-19 Pandemic and the War Between Russia and Ukraine on Electricity Prices in Selected European Countries in 2022 in Terms of Economic Security | 2023 |
3 | R. Grabowski; B. Kozicki; S. Mitkow; A. Włoch | Impact of Covid-19 Pandemic on Economic Security - Multidimensional Analysis of Real Estate Market Across Poland | 2022 |
4 | U. Bednarz; A. Włoch; M. Wołowiec-Musiał | New Types of Distance Padovan Sequences via Decomposition Technique | 2022 |
5 | B. Datsko; A. Kunynets; M. Kutniv; A. Włoch | New explicit high‐order one‐step methods for singular initial value problems | 2021 |
6 | D. Bród; A. Włoch | (2,k)-Distance Fibonacci Polynomials | 2021 |
7 | D. Strzałka; A. Włoch; S. Wolski | Distance Fibonacci Polynomials by Graph Methods | 2021 |
8 | E. Özkan; A. Włoch; N. Yilmaz | On F3(k,n)-numbers of the Fibonacci type | 2021 |
9 | A. Włoch; I. Włoch | On some multinomial sums related to the Fibonacci type numbers | 2020 |
10 | B. Datsko; A. Kunynets; M. Kutniv; A. Włoch | A new approach to constructing of explicit one-step methods of high order for singular initial value problems for nonlinear ordinary differential equations | 2020 |
11 | B. Datsko; M. Kutniv; A. Włoch | Mathematical modelling of pattern formation in activator–inhibitor reaction–diffusion systems with anomalous diffusion | 2020 |
12 | H. Czyż; T. Jasiński; A. Włoch | A Statistical Method for Calculating the Velocity of Acoustic Waves in Extreme Conditions | 2019 |
13 | H. Czyż; T. Jasiński; A. Włoch | Separation of Cells from Plasma by Means of Ultrasonics | 2019 |
14 | H. Czyż; T. Jasiński; A. Włoch | The Application of the Special Functions to Solving Physical Problems | 2019 |