Cykl kształcenia: 2024/2025
Nazwa jednostki prowadzącej studia: Wydział Elektrotechniki i Informatyki
Nazwa kierunku studiów: Informatyka
Obszar kształcenia: nauki techniczne
Profil studiów: ogólnoakademicki
Poziom studiów: pierwszego stopnia
Forma studiów: niestacjonarne
Specjalności na kierunku: AA - inżynieria systemów informatycznych, AI - Sztuczna inteligencja, TT - informatyka w przedsiębiorstwie, Z - inżynieria systemów złożonych
Tytuł otrzymywany po ukończeniu studiów: inżynier
Nazwa jednostki prowadzącej zajęcia: Katedra Elektrotechniki i Podstaw Informatyki
Kod zajęć: 12608
Status zajęć: obowiązkowy dla specjalności AI - Sztuczna inteligencja, TT - informatyka w przedsiębiorstwie
Układ zajęć w planie studiów: sem: 7 / W15 L10 P10 / 4 ECTS / Z
Język wykładowy: polski
Imię i nazwisko koordynatora: dr inż. Grzegorz Drałus
Terminy konsultacji koordynatora: http://pei.prz.edu.pl
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.
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 |
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 |
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 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.
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).
Sem. | TK | Treści kształcenia | Realizowane na | MEK |
---|---|---|---|---|
7 | TK01 | W01, L01 | MEK01 | |
7 | TK02 | W02, L01 | MEK01 MEK02 | |
7 | TK03 | W03, L02 | MEK01 MEK02 | |
7 | TK04 | W04, L03 | MEK01 MEK02 MEK03 | |
7 | TK05 | W05 | MEK03 | |
7 | TK06 | W05, W06, L04 | MEK03 MEK04 | |
7 | TK07 | W06, W07, L05 | MEK03 MEK04 | |
7 | TK08 | W08, L05 | MEK03 MEK04 |
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. |
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 |
Wymagane podczas egzaminu/zaliczenia
(-)
Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)
Inne
(-)
Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : nie
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 |