Cel kształcenia i wykaz literatury

Główny cel kształcenia: Przekazanie studentowi umiejętności doboru i zastosowania właściwych metod analizy danych biznesowych

Ogólne informacje o zajęciach: Nauka eksploracyjnej analizy danych biznesowych przy pomocy wybranych narzędzi. Zapoznanie studentów z wybranymi możliwościami środowiska R w zakresie przetwarzania i analizy danych.

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

1	Provost F., Fawcett T.	Analiza danych w biznesie	Helion.	2016
2	Lander Jared P.	Język R dla każdego. Zaawansowane analizy i grafika statystyczna	APN Promise.	2018
3	Larose Daniel T.	Metody i modele eksploracji danych	PWN.	2012
4	Górecki Tomasz	Podstawy statystyki z przykładami w R	btc.	2011

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

1	Gillespie Colin, Lovelace Robin	Wydajne programowanie w R. Praktyczny przewodnik po lepszym programowaniu	Promise.	2018
2	Wickham Hadley, Grolemund Garrett	Język R. Kompletny zestaw narzędzi dla analityków danych, Helion, 2017	Helion.	2017
3	Gągolewski. Marek	Programowanie w języku R : analiza danych, obliczenia, symulacje	PWN.	2016

Literatura do samodzielnego studiowania

1	Albright S.Ch., Winston W.L.	Business Analytics: Data Analysis & Decision Making	Cengage Learning.	2018
2	Kabacoff Rob	R in Action	Manning.	2010
3	Hodeghatta U.R., Nayak U.	Business Analytics Using R - A Practical Approach	Apress.	2017

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

Wymagania formalne: Podstawy statystyki matematycznej

Wymagania wstępne w kategorii Wiedzy: Wymagana jest podstawowa wiedza w dziedzinie informatyki i narzędzi informatycznych oraz statystyki matematycznej

Wymagania wstępne w kategorii Umiejętności: Umiejętność racjonalnego myślenia.

Wymagania wstępne w kategorii Kompetencji społecznych: Ma świadomość odpowiedzialności za własną pracę.

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
01	Przyswoił składnię i mechanizmy języka R. Zna charakterystykę oraz mocne i słabe słabe strony języka R. Zna podstawowe pakiety do analizy danych w języku R. Student zna możliwości środowiska R w zakresie przetwarzania i analizy danych.	wykład, laboratorium, projekt	zaliczenie cz. pisemna	K_W04++ K_U06++ K_K01++	P6S_KK P6S_UU P6S_UW P6S_WG
02	Student potrafi zastosować środowisko R do tworzenia różnorodnych analiz w zakresie metod i modeli statystycznych. Potrafi wykorzystać dostępne biblioteki. Potrafi zaprezentować wyniki w postaci graficznej i raportów.	wykład, laboratorium, projekt	zaliczenie cz. pisemna, zadania na laboratorium, realizacja zadania projektowego	K_U08++ K_K02++	P6S_KK P6S_KO P6S_UU P6S_UW
03	Zna w sposób pogłębiony metody i narzędzia, w tym techniki pozyskiwania, przetwarzania i analizy danych, prezentacji danych i raportowania, pozwalające opisywać i analizować podmioty i procesy biznesowe.	wykład, laboratorium, projekt	zaliczenie cz. pisemna, zadania na laboratorium, realizacja zadań projektowych	K_U08++ K_K01++	P6S_KK P6S_UU P6S_UW
04	Potrafi właściwie dobierać i używać metody i narzędzia analizy danych biznesowych. Potrafi analizować przyczyny i przebieg konkretnych procesów. Potrafi prawidłowo ocenia jakość informacji uzyskanych w wyniku modelowania, potrafi ocenić jakość zbudowanego modelu.	wykład, laboratorium, prijekt	zaliczenie cz. pisemna, zaliczenie cz. praktyczna, wykonanie zadań projektowych	K_U06++ K_U08+ K_K02+	P6S_KK P6S_KO P6S_UU P6S_UW

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).

Treści kształcenia dla zajęć

Sem.	TK	Treści kształcenia	Realizowane na	MEK
7	TK01	Środowisko R i program RStudio. Syntaktyka i semantyka języka R. Podstawowe operacje. Import danych z różnych formatów. Skale pomiarowe a typy danych w R, operatory, zmienne, instrukcje warunkowe, pętle, funkcje.	W01, L01	MEK01
7	TK02	Podstawowe komendy - statystyka opisowa i matematyczna. Podstawowe przetwarzanie danych (nowe zmienne, filtry, łączenie ramek). Metody uzupełniania dla brakujących danych. Anomalie w dane – brakujące obserwacje; duplikaty; obserwacje odstające; błędy w formatach. Czyszczenie danych z wykorzystaniem Dplyr oraz Tidyr.	W02, L01	MEK01 MEK02
7	TK03	Dane typu tibble z użyciem pakietu tibble; Importowanie danych za pomocą pakietu readr; Transformacje i dyskretyzacja zmiennych. Źródła danych: pobieranie danych z baz (sqlite); web scraping; pobieranie danych do R (Google Trends, Eurostat etc.). Redukcja wymiarów z wykorzystaniem analizy głównych składowych (PCA),	W03, L02	MEK01 MEK02
7	TK04	Wprowadzenie do pakietów ggplot2 i eksploracyjnej analizy danych, Grafika w R – podstawowa oraz zaawansowana prezentacja graficzna danych. Publikowanie raportów wprost z R – wprowadzenie do R-Markdown (notebook; prezentacje – R oraz HTML slidy; PDF etc.). Dane relacyjne z wykorzystaniem pakietu dplyr; Przetwarzanie napisów za pomocą pakietu stringr. Wprowadzenie do metod eksploracyjnych analiz danych; Obszary zastosowań; Stosowane narzędzia; Omówienie skal pomiarowych. Zadania analizy danych. Wstępna graficzna analiza danych.	W04, L03	MEK01 MEK02 MEK03
7	TK05	Wprowadzenie do biznesowych systemów analitycznych, stosowane narzędzia analityczne, zarządzanie analitycznymi bazami danych. Metody przygotowania danych do analizy. Miary statystyki opisowej. Badanie zależności między zmiennymi liczbowymi, miary współzależności, współczynniki kowariancji i korelacji.	W05	MEK03
7	TK06	Metody regresyjne. Ocena wiarygodności modelu regresji. Liniowa regresja wysokowymiarowa,: metody Lasso, Selekcja cech. Nieliniowa regresja parametryczna. Niskowymiarowe metody nieparametryczne estymacji regresji, Metody wysokowymiarowe estymacji regresji. Analiza danych jakościowych. Test chi-2 - wykorzystanie do testowania zgodności rozkładów,	W05, W06, L04	MEK03 MEK04
7	TK07	Analiza wariancji ANOVA jako podstawowa metoda identyfikacji czynników; Idea, cel i zastosowania analizy wariancji; algorytm obliczeniowy. (Jednoczynnikowa i wieloczynnikowa analiza wariancji). Problemy klasyfikacyjne: klasyfikacja obiektów i cech; Analiza skupień: cel, istota, algorytm wyznaczania z przykładami i zastosowaniem; Metody klasyfikacji: naiwny klasyfikator Bayesa, k-NN.	W06, W07, L05	MEK03 MEK04
7	TK08	Wprowadzenie do analiz czynnikowych (FA); Algorytmy obliczeniowe w korelacji i regresji; Wyznaczanie korelacji cząstkowych. Model Składowych Głównych (PCA); Algorytmy identyfikacji modelu analizy składowych głównych; Implementacje numeryczne; Przykłady zastosowań w przedsiębiorstwie. Model PCA w funkcji prognozy ostrzegawczej; Różnice w analizie czynnikowej i składowych głównych; Istota rozwiązania.	W08, L05	MEK03 MEK04

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: 15.00 godz./sem.	Uzupełnienie/studiowanie notatek: 10.00 godz./sem. Studiowanie zalecanej literatury: 10.00 godz./sem.
Laboratorium (sem. 7)	Przygotowanie do laboratorium: 10.00 godz./sem.	Godziny kontaktowe: 10.00 godz./sem.	Dokończenia/wykonanie sprawozdania: 10.00 godz./sem.
Projekt/Seminarium (sem. 7)	Przygotowanie do zajęć projektowych/seminaryjnych: 5.00 godz./sem.	Godziny kontaktowe: 10.00 godz./sem..	Wykonanie projektu/dokumentacji/raportu: 12.00 godz./sem. Przygotowanie do prezentacji: 2.00 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: 7.00 godz./sem.	Zaliczenie pisemne: 2.00 godz./sem.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład	Zaliczenie pisemne w formie testu.
Laboratorium	Oceny ze sprawozdań. Ocena końcowa to średnia z uzyskanych ocen.
Projekt/Seminarium	Oceny z wykonanych zadań projektowych.
Ocena końcowa	Ocena końcowa z przedmiotu obliczana według wzoru: 0.3 oceny z wykładu + 0.35 oceny z laboratorium = 0.35 oceny z projektu

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	G. Drałus; G. Karnas; G. Masłowski	Identification of cloud-to-ground lightning and intra-cloud lightning based on their radiated electric field signatures using different types of neural networks and machine learning classifiers	2024
2	G. Drałus	Metody śledzenia punktu MPP modułu fotowoltaicznego	2023
3	G. Drałus; J. Drałus; J. Kusznier; D. Mazur	Application of Artificial Intelligence Algorithms in Multilayer Perceptron and Elman Networks to Predict Photovoltaic Power Plant Generation	2023
4	A. Czmil; G. Drałus; D. Mazur	Automatic Detection and Counting of Blood Cells in Smear Images Using RetinaNet	2021
5	G. Dec; G. Drałus; B. Kwiatkowski; D. Mazur	Forecasting Models of Daily Energy Generation by PV Panels Using Fuzzy Logic	2021
6	G. Drałus; T. Rak	Prognozowanie w horyzoncie jednej godziny produkcji energii przez panel fotowoltaiczny	2020
7	G. Drałus; T. Rak	Programowanie równoległe w hybrydowym środowisku MPI i OpenMP na klastrze serwerów	2020