Cykl kształcenia: 2020/2021
Nazwa jednostki prowadzącej studia: Szkoła Doktorska Politechniki Rzeszowskiej
Profil studiów:
Nazwa jednostki prowadzącej zajęcia: Zakład Informatyki
Kod zajęć: 13156
Status zajęć: obowiązkowy dla programu
Układ zajęć w planie studiów: sem: 4 / W15 P15 / 0 ECTS / E
Język wykładowy: polski
Imię i nazwisko koordynatora: dr hab. inż. prof. PRz Galina Setlak
Główny cel kształcenia: Celem przedmiotu jest przedstawienie metod i technik Data Science, w tym akwizycji, wstępnej obróbki i przetwarzania, analizy i interpretacji danych oraz pozyskiwania wiedzy z danych, niezbędnej do modelowania zjawisk fizycznych oraz praktycznego rozwiązywania problemów w badaniach naukowych i eksperymentalnych. Celem przedmiotu jest również nabycie przez doktorantów praktycznych umiejętności wykorzystywania w tym celu zarówno podstawowego arkusza kalkulacyjnego MS Excel, jak i specjalistycznego oprogramowania Statistica, Statistica Data Miner oraz Python, czy RStudio.
Ogólne informacje o zajęciach: W ramach przedmiotu przedstawione zostaną zagadnienia teoretyczne dotyczące metod analizy statystycznej danych, zaawansowanych metod i technik eksploracji danych, uczenia maszynowego i sztucznej inteligencji oraz przetwarzania dużych zbiorów danych Big Data. Na zajęciach projektowych doktoranci będą poznawać i nabędą umiejętności wykorzystywania w tym celu odpowiedniego oprogramowania, m.in. MS Excel, Statistica, Statistica Data Miner, Matlab z dodatkowymi narzędziami oraz Python.
Materiały dydaktyczne: Umieszczane w MS Teams w folderze Pliki/Materiały do zajęc oraz na stronie gsetlak.v.prz.edu.pl
1 | Foreman J. W. | Mistrz analizy danych. Od danych do wiedzy | wyd. Helion, Gliwice. | 2019 |
2 | David Natingga | Algorytmy Data Science. Siedmiodniowy przewodnik | HELION, Gliwice. | 2019 |
3 | Aileen Nielsen | Szeregi czasowe. Praktyczna analiza i predykcja z wykorzystaniem statystyki i uczenia maszynowego | Aileen Nielsen, HELION, Gliwice. | 2020 |
4 | S. Osowski | Metody i narzędzia eksploracji danych | Wyd. BTC, Legionowo. | 2013 |
5 | Joel Grus | Data science od podstaw. Analiza danych w Python | O'REILLY, HELION, Beijing, Cambridge, Gliwice. | 2018 |
6 | M. Alexander, J. Decker, | Analizy Business Intelligence. Zaawansowane wykorzystanie Excela | Helion, Gliwice . | 2015 |
7 | Tom M. Mitchell | Machine Learning | McGraw-Hill Education . | 1997, |
1 | A. Zięba | Analiza danych w naukach ścisłych i technice | PWN, Warszawa. | 2013 |
2 | Małgorzata Rabiej | Analizy statystyczne z programami Statistica i Excel | Helion, Gliwice. | 2018 |
3 | Sobczyk M. | Statystyka | wyd. PWN, Warszawa. | 2007 |
4 | B. Dębska, B. Guzowska-Świder | Statystyka i opracowanie wyników | Oficyna wydawnicza Politechniki Rzeszowskiej. | 2011 |
5 | J. Walkenbach, M. Alexander | Analiza i prezentacja danych w Microsoft Excel | Helion, Gliwice. | 2014 |
1 | Helion, Gliwice | Excel. Profesjonalna analiza i prezentacja danych | Helion, Gliwice. | 2006 |
2 | M. Freeman, Joel Ross | Data science. Programowanie, analiza i wizualizacja danych z wykorzystaniem Języka R | Helion, Gliwice . | 2020 |
3 | Mayer-Schönberger V., Cukier K. | Big Data. Efektywna analiza danych | wyd. MT Biznes, Warszawa . | 2017 |
4 | Peck R., Olsen C., Devore J. L. | Introduction to: Statistics & Data Analysis | Cengage Learning. | 2016 |
Wymagania formalne: Przyjęcie do Szkoły Doktorskiej na Politechnice Rzeszowskiej
Wymagania wstępne w kategorii Wiedzy: Wiedza na poziomie absolwenta studiów magisterskich z zakresu matematyki, statystyki matematycznej i informatyki.
Wymagania wstępne w kategorii Umiejętności: Umiejętność obsługi komputera i korzystania z oprogramowania, w tym wykorzystania MS Excel, Matlab.
Wymagania wstępne w kategorii Kompetencji społecznych: Zdolność do współpracy w niewielkim zespole.
MEK | Doktorant, 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 | potrafi stosować zarówno podstawowe metody statystycznej analizy danych, jak i zaawansowane: eksploracji danych, uczenia maszynowego, sztucznej inteligencji, przetwarzania dużych zbiorów danych Big Data itp.. | wykład, projekt indywidualny, ćwiczenia problemowe | zaliczenie cz. praktyczna, egzamin cz. pisemna |
K_W01+++ |
P8S_WG |
02 | Posiada znajomość metod statystycznych, uczenia maszynowego, eksploracji danych i potrafi je zastosować do analizy zbiorów danych pochodzących z różnorodnych źródeł. | wykład, ćwiczenia problemowe, projekt indywidualny | zaliczenie cz. praktyczna, egzamin cz. pisemna |
K_W01+++ K_U05++ |
P8S_UK P8S_WG |
03 | nabywa umiejętności praktyczne dotyczące identyfikacji i formułowania specyfikacji złożonych problemów z zakresu inżynierii i analizy danych oraz doboru odpowiednich metod i narzędzi do ich rozwiązania | wykład, ćwiczenia problemowe, projekt indywidualny | zaliczenie cz. pisemna, egzamin cz. pisemna |
K_W01+++ K_U05++ K_U06+ |
P8S_UK P8S_WG |
04 | posiada wiedzę w zakresie doboru do rozwiązywania wybranych problemów badawczych odpowiednich metod analizy danych i narzędzi programowych oraz nabywa umiejętności praktyczne ich zastosowania, w tym m.in. MS Excel, pakiet programowy Statistica oraz oprogramowanie MATLAB z odpowiednimi Toolbox'ami | ćwiczenia problemowe, projekt indywidualny, wykład, e-learning | zaliczenie cz. praktyczna, egzamin cz. pisemna |
K_W01++ K_U05++ |
P8S_UK P8S_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 |
---|---|---|---|---|
4 | TK01 | W01 | MEK03 | |
4 | TK02 | WO2 | MEK03 | |
4 | TK03 | W03 | MEK01 MEK02 | |
4 | TK04 | W04 | MEK01 | |
4 | TK05 | W05 | MEK01 MEK02 | |
4 | TK06 | W06 | MEK01 MEK03 | |
4 | TK07 | W07, W08 | MEK01 MEK03 | |
4 | TK08 | P01 | MEK03 | |
4 | TK09 | P02 | MEK02 MEK03 | |
4 | TK10 | P03 | MEK02 MEK03 MEK04 | |
4 | TK11 | P04 | MEK01 MEK02 MEK04 | |
4 | TK12 | P05, P06 | MEK01 MEK02 MEK04 | |
4 | TK13 | P07, P08 | MEK01 MEK02 MEK03 MEK04 |
Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
---|---|---|---|
Wykład (sem. 4) | Przygotowanie do kolokwium:
5.00 godz./sem. |
Godziny kontaktowe:
15.00 godz./sem. |
Studiowanie zalecanej literatury:
2.00 godz./sem. |
Projekt/Seminarium (sem. 4) | Przygotowanie do zajęć projektowych/seminaryjnych:
5.00 godz./sem. |
Godziny kontaktowe:
15.00 godz./sem.. |
|
Konsultacje (sem. 4) | |||
Egzamin (sem. 4) | Przygotowanie do egzaminu:
5.00 godz./sem. |
Egzamin pisemny:
2.00 godz./sem. |
Forma zajęć | Sposób wystawiania oceny podsumowującej |
---|---|
Wykład | Na egzaminie pisemnym sprawdzana jest realizacja wszystkich efektów kształcenia. Aby uzyskać ocenę dostateczną student musi uzyskać 60% punktów. Wyższą ocenę można uzyskać przy następujących progach punktowych: od 65% punktów - 3,5; od 75% punktów - 4,0; od 85% punktów - 4,5; od 95% punktów - 5,0. |
Projekt/Seminarium | Zaliczenie praktyczne projektów stanowi warunek dopuszczenia do egzaminu. Sprawdzana jest realizacja trzech efektów kształcenia. Aby uzyskać ocenę dostateczną student musi uzyskać 60% punktów. Wyższą ocenę można uzyskać przy następujących progach punktowych: od 65% punktów - 3,5; od 75% punktów - 4,0; od 85% punktów - 4,5; od 95% punktów - 5,0. |
Ocena końcowa | Ocena końcowa stanowi ocenę uzyskanej na egzaminie pisemnym |
Wymagane podczas egzaminu/zaliczenia
(-)
Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)
Inne
(-)
Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : nie
1 | Ł. Paśko; G. Setlak | Random Forests in a Glassworks: Knowledge Discovery from Industrial Data | 2020 |
2 | Ł. Paśko; M. Piróg; G. Setlak | Pozyskiwanie wiedzy z danych przemysłowych do wspomagania decyzji w procesie produkcyjnym | 2019 |