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: stacjonarne
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: 15861
Status zajęć: obowiązkowy dla specjalności TT - informatyka w przedsiębiorstwie
Układ zajęć w planie studiów: sem: 6 / W25 L15 P15 / 4 ECTS / Z
Język wykładowy: polski
Imię i nazwisko koordynatora: dr inż. Grzegorz Drałus
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 | Foreman John W. | Mistrz analizy danych. Od danych do wiedzy | Helion. | 2023 |
2 | F. Provost, T. Fawcett | Analiza danych w biznesie | Helion. | 2016 |
3 | Lander Jared P. | Język R dla każdego. Zaawansowane analizy i grafika statystyczna | APN Promise. | 2018 |
4 | Górecki Tomasz | Podstawy statystyki z przykładami w R | Wydawnictwo 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 |
3 | Gągolewski. Marek | Programowanie w języku R : analiza danych, obliczenia, symulacje | PWN. | 2016 |
1 | Christian Albright S.Ch., Winston W.L. | Business Analytics: Data Analysis & Decision Making | Cengage Learning. | 2018 |
2 | 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 programowania i racjonalnego myślenia.
Wymagania wstępne w kategorii Kompetencji społecznych: Znajomość i przestrzeganie obowiązków studenta oraz podstawowych zasad etyki.
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_W01++ K_W04+ K_K01+ |
P6S_KK P6S_UU 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_U01+++ K_U06++ K_K05++ |
P6S_KO P6S_UK 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_W01++ K_W04+ K_K01+ |
P6S_KK P6S_UU P6S_WG |
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, projekt | zaliczenie cz. pisemna, zaliczenie cz. praktyczna, wykonanie zadań projektowych |
K_U01+++ K_U06++ K_K05++ |
P6S_KO P6S_UK 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 |
---|---|---|---|---|
6 | TK01 | W01, L01 | MEK01 | |
6 | TK02 | W02, L01 | MEK01 MEK02 | |
6 | TK03 | W03, L02 | MEK01 MEK02 | |
6 | TK04 | W04, L03 | MEK01 MEK02 | |
6 | TK05 | W05, L03 | MEK01 MEK02 | |
6 | TK06 | W06, L04 | MEK03 MEK04 | |
6 | TK07 | W07, L04 | MEK02 MEK03 MEK04 | |
6 | TK08 | W08, L05 | MEK02 MEK03 MEK04 | |
6 | TK09 | W09, L05 | MEK03 MEK04 | |
6 | TK10 | W10, L06 | MEK03 MEK04 | |
6 | TK11 | W11, L06 | MEK03 MEK04 | |
6 | TK12 | W12, L07 | MEK03 MEK04 | |
6 | TK13 | W13, L07 | MEK03 MEK04 |
Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
---|---|---|---|
Wykład (sem. 6) | Przygotowanie do kolokwium:
5.00 godz./sem. |
Godziny kontaktowe:
25.00 godz./sem. |
Uzupełnienie/studiowanie notatek:
5.00 godz./sem. Studiowanie zalecanej literatury: 10.00 godz./sem. |
Laboratorium (sem. 6) | Przygotowanie do laboratorium:
5.00 godz./sem. |
Godziny kontaktowe:
15.00 godz./sem. |
Dokończenia/wykonanie sprawozdania:
10.00 godz./sem. |
Projekt/Seminarium (sem. 6) | Godziny kontaktowe:
15.00 godz./sem.. |
Wykonanie projektu/dokumentacji/raportu:
13.00 godz./sem. Przygotowanie do prezentacji: 2.00 godz./sem. |
|
Konsultacje (sem. 6) | Przygotowanie do konsultacji:
1.00 godz./sem. |
Udział w konsultacjach:
2.00 godz./sem. |
|
Zaliczenie (sem. 6) | Przygotowanie do zaliczenia:
4.00 godz./sem. |
Zaliczenie pisemne:
2.00 godz./sem. |
Forma zajęć | Sposób wystawiania oceny podsumowującej |
---|---|
Wykład | Testy po wykładach, zaliczenie pisemne. |
Laboratorium | Oceny ze sprawozdań oraz zadań. |
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 | Metody śledzenia punktu MPP modułu fotowoltaicznego | 2023 |
2 | 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 |
3 | A. Czmil; G. Drałus; D. Mazur | Automatic Detection and Counting of Blood Cells in Smear Images Using RetinaNet | 2021 |
4 | G. Dec; G. Drałus; B. Kwiatkowski; D. Mazur | Forecasting Models of Daily Energy Generation by PV Panels Using Fuzzy Logic | 2021 |
5 | G. Drałus; T. Rak | Prognozowanie w horyzoncie jednej godziny produkcji energii przez panel fotowoltaiczny | 2020 |
6 | G. Drałus; T. Rak | Programowanie równoległe w hybrydowym środowisku MPI i OpenMP na klastrze serwerów | 2020 |