Cel kształcenia i wykaz literatury

Główny cel kształcenia: Zdobycie wiedzy i elementów praktyki związanych z analizą danych przemysłowych.

Ogólne informacje o zajęciach: celem zajęć jest przekazanie wiedzy i ukształtowanie umiejętności z zakresu analizy danych produkcyjnych.

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

1	D. T. Larose	Odkrywanie wiedzy z danych	Wydawnictwo Naukowe PWN.	2006
2	Kot, S.M., Jakubowski, J., Sokołowski, A.	Statystyka,	Difin.	2011,
3	Korzyński M	Metodyka Eksperymentu	PWN.	2017

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

1

D. T. Larose

Metody i modele eksploracji danych

Wydawnictwo Naukowe PWN.

2008

Literatura do samodzielnego studiowania

1

T. Morzy

T. Morzy

Wydawnictwo Naukowe PWN.

2013

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

Wymagania formalne: Spełnienie kryteriów naboru na studia II stopnia

Wymagania wstępne w kategorii Wiedzy: Podstawowa wiedza z zakresu statystyki matematycznej oraz algorytmów sztucznej inteligencji

Wymagania wstępne w kategorii Umiejętności: Umiejętność samokształcenia

Wymagania wstępne w kategorii Kompetencji społecznych: Świadomość konieczności samokształcenia

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	posiada podstawową wiedzę na temat wybranych zaawansowanych metod statystycznych	wykład	egzamin cz. pisemna	K_W04+	P7S_WG
02	posiada podstawową umiejętności stosowania wybranych zaawansowanych metod statystycznych i potrafi stosować je w praktyce	projekt indywidualny	raport pisemny	K_U18+ K_K06+	P7S_KO P7S_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
2	TK01	Dane generowane w procesach wytwarzania. Zmienność jako cecha procesów wytwarzania. Podstawowy statystyczny opis zbioru danych. Korelacja, regresja, hipotezy statystyczne.	w1	MEK01
2	TK02	Zdolność maszyny i procesu. Statystyczna kontrola procesu = SPC	w2	MEK01
2	TK03	DOE. Plany badawcze . Analiza wyników eksperymentów.	w3	MEK01
2	TK04	Modele matematyczne procesów. Optymalizacja jednokryterialna procesów. .	w4	MEK01
2	TK05	Optymalizacja wielokryterialna procesów.	w5	MEK01
2	TK06	Metody sztucznej inteligencji w analizie danych i optymalizacji procesów.	w6	MEK01
2	TK07	Przykłady zastosowań algorytmów sztucznej inteligencji w optymalizacji i nadzorowaniu procesów.	w7	MEK01
2	TK08	zaliczenie	w8	MEK01
2	TK09	Wprowadzenie i omówienie zagadnień.	p1	MEK02
2	TK10	Badanie zdolności maszyny i procesu.	p2	MEK02
2	TK11	SPC - projekt i analiza karty kontrolnej.	p3	MEK02
2	TK12	DOE. Plan badawczy.	p4	MEK02
2	TK13	Optymalizacja procesu.	p5	MEK02
2	TK14	Algorytmy sztucznej inteligencji w doskonaleniu procesów.	p7	MEK02
2	TK15	zaliczenie	p8	MEK02

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 2)	Przygotowanie do kolokwium: 12.00 godz./sem.	Godziny kontaktowe: 15.00 godz./sem.	Uzupełnienie/studiowanie notatek: 5.00 godz./sem. Studiowanie zalecanej literatury: 5.00 godz./sem.
Projekt/Seminarium (sem. 2)		Godziny kontaktowe: 15.00 godz./sem..
Konsultacje (sem. 2)		Udział w konsultacjach: 1.00 godz./sem.
Zaliczenie (sem. 2)	Przygotowanie do zaliczenia: 20.00 godz./sem.	Zaliczenie pisemne: 2.00 godz./sem.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład	Test zaliczeniowy. Zaliczenie to min 50% poprawnych odpowiedzi. Ocena z wykładu jest proporcjonalna do liczby uzyskanych punktów. szczegóły zostaną podane na pierwszym wykładzie.
Projekt/Seminarium	Ocena z projektu to średnia z ocen z poszczególnych projektów.
Ocena końcowa	Ocena końcowa to średnia ważona oceny z wykładu z wagą 0,6 i oceny z projektów z wagą 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	K. Antosz; E. Kozłowski; S. Prucnal; J. Sęp	Integrating Sensor Systems and Signal Processing for Sustainable Production: Analysis of Cutting Tool Condition	2024
2	K. Antosz; E. Kozłowski; S. Prucnal; J. Sęp	Pre-processing Signal Analysis for Cutting Tool Condition in the Milling Process	2024
3	M. Bucior; R. Kosturek; J. Sęp; T. Ślęzak; L. Śnieżek; J. Torzewski; W. Zielecki	Effect of Shot Peening on the Low-Cycle Fatigue Behavior of an AA2519-T62 Friction-Stir-Welded Butt Joint	2023
4	P. Cichosz; M. Drajewicz; M. Góral; A. Majka; W. Nowak; J. Sęp; R. Smusz	Design of Newly Developed Burner Rig Operating with Hydrogen Rich Fuel Dedicated for Materials Testing	2023
5	E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński	The Use of Principal Component Analysis and Logistic Regression for Cutter State Identification	2022
6	G. Budzik; K. Bulanda; D. Filip; J. Jabłoński; A. Łazorko; M. Oleksy; A. Paszkiewicz; Ł. Przeszłowski; J. Sęp; S. Snela; P. Turek; S. Wolski	Manufacturing Polymer Model of Anatomical Structures with Increased Accuracy Using CAx and AM Systems for Planning Orthopedic Procedures	2022
7	J. Sęp; G. Szyszka	Comparative Performance Evaluation of Multiconfiguration Touch-Trigger Probes for Closed-Loop Machining of Large Jet Engine Cases	2022
8	K. Antosz; E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński	Machine Multi-sensor System and Signal Processing for Determining Cutting Tools Service Life	2022
9	K. Antosz; E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński	Machining Process Time Series Data Analysis with a Decision Support Tool	2022
10	K. Antosz; E. Kozłowski; J. Sęp; T. Żabiński	The use of random forests to support the decision-making process for sustainable manufacturing	2022
11	L. Gałda; J. Sęp; S. Świrad	Effect of the Sliding Element Surface Topography on the Oil Film Thickness in EHD Lubrication in Non-Conformal Contact	2022
12	M. Bucior; W. Habrat; R. Kluz; K. Krupa; J. Sęp	Multi-criteria optimization of the turning parameters of Ti-6Al-4V titanium alloy using the Response Surface Methodology	2022
13	R. Amadio; A. Carreras-Coch; D. Mazzei; J. Merino; J. Navarro; J. Sęp; D. Stadnicka; C. Stylios; M. Tyrovolas; T. Żabiński	Industrial Needs in the Fields of Artificial Intelligence, Internet of Things and Edge Computing	2022
14	R. Bartłomowicz; A. Bednarz; J. Jaworski; J. Sęp; A. Wójcik	Analysis of the effects of simplifications on the state of loads in a centrifugal compressor	2022
15	K. Antosz; D. Kwiatanowski; J. Sęp; G. Szyszka	Automatic compensation of errors of multi-task machines in the production of aero engine cases	2021
16	K. Antosz; E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński	Integrating advanced measurement and signal processing for reliability decision-making	2021
17	M. Laciuga; J. Sęp	Analytic optimization framework for resilient manufacturing production and supply planning in Industry 4.0 context-buffer stock allocation-case study	2021
18	E. Kozłowski; D. Mazurkiewicz; S. Prucnal; J. Sęp; T. Żabiński	Machining sensor data management for operation-level predictive model	2020
19	G. Budzik; J. Jóźwik; Ł. Kochmański; M. Oleksy; A. Paszkiewicz; Ł. Przeszłowski; J. Sęp; P. Turek; D. Żelechowski	An Analysis of the Casting Polymer Mold Wear Manufactured Using PolyJet Method Based on the Measurement of the Surface Topography	2020
20	J. Sęp; D. Stadnicka; J. Zając	Przegląd wymagań stawianych specjalistom na rynku pracy w województwie podkarpackim w kontekście wymagań technologii Przemysłu 4.0	2020
21	K. Dudek; L. Gałda; R. Oliwa; J. Sęp	Surface layer analysis of helical grooved journal bearings after abrasive tests	2020
22	E. Kozłowski; D. Mazurkiewicz; S. Prucnal; J. Sęp; T. Żabiński	Assessment model of cutting tool condition for real-time supervision system	2019
23	J. Kluska; M. Madera ; T. Mączka; J. Sęp; T. Żabiński	Condition monitoring in Industry 4.0 production systems - the idea of computational intelligence methods application	2019
24	L. Gałda; A. Olszewski; J. Sęp; T. Żochowski	Experimental investigation into surface texture effect on journal bearings performance	2019
25	P. Litwin; J. Sęp; D. Stadnicka	TIPHYS: Otwarta platforma sieciowa dla wspierania procesu edukacyjnego z zakresu Industry 4.0	2019