Cel kształcenia i wykaz literatury

Główny cel kształcenia: Celem realizacji przedmiotu jest nauczenie studentów biegłości w obcowaniu z danymi zewnętrznymi, głównie za pomocą programów do analiz danych, takich jak Statistica, Matlab itp.

Ogólne informacje o zajęciach:

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

1	W. Sradomski	Matlab Praktyczny podręcznik modelowania	Helion.	2015
2	M. Rabiej	Statystyka z programem STATISTICA	Helion.	2012

Literatura do samodzielnego studiowania

1	Jerzy Surma	Business Intelligence	Wydawnictwo Naukowe PWN.	2009
2	Jerzy Surma	Cyfryzacja życia w erze Big Data.	Wydawnictwo Naukowe PWN.	2017
3	Jerzy Surma	Hakowanie sztucznej inteligencji	Wydawnictwo Naukowe PWN.	2020

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

Wymagania formalne: Matematyka i statystyka ze studiów na poziomie podstawowym.

Wymagania wstępne w kategorii Wiedzy: Wiedza i świadomość odnośnie przetwarzania danych tabularycznych.

Wymagania wstępne w kategorii Umiejętności: Umiejętność posługiwania się arkuszami kalkulacyjnymi, typu MS Excel

Wymagania wstępne w kategorii Kompetencji społecznych: Praca indywidualna, praca w grupie

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	Student zna problematykę i potrafi rozwiązać zadania praktyczne, w obszarze regresji, bądź optymalizacji, ale też: danych wielowymiarowych bądź podstawowych determinant statystycznych, takich jak korelacja.	wykład, laboratorium	zaliczenie cz. pisemna	K_W04+ K_W10+ K_U04+	P6S_UK P6S_WG
02	Student zna pochodzenie danych ankietowych (CATI/CAWI/PAPI/CAPI) oraz potrafi wstępnie zaprojektować bądź ocenić jakość, względem przedłożonej ankiety.	wykład, laboratorium	zaliczenie cz. pisemna	K_W04+ K_U04+ K_K05+	P6S_KO P6S_UK P6S_WG
03	Student zna problematykę (możliwości oraz problemy), związaną z obszarem otwartych danych rządowych (ang. open gov data). Student umie analizować dane ze sprawozdania finansowego w sposób podstawowy.	wykład, laboratorium	zaliczenie cz. pisemna	K_U02++ K_U04+ K_K05+	P6S_KO P6S_UK P6S_UW
04	Student zna uwarunkowania prawne dotyczące danych; Ustawa o Prawie Autorskim i Prawach Pokrewnych, Ustawa o Ochronie Baz Danych, RODO i inne. Potrafi samodzielnie opisać problematykę dotyczącą analizy danych.	wykład, laboratorium	egzamin cz. pisemna	K_W04++ K_W10+	P6S_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).

Treści kształcenia dla zajęć

Sem.	TK	Treści kształcenia	Realizowane na	MEK
5	TK01	Analizy danych; od Small Data do Big Data (wstęp).	W01	MEK04
5	TK02	Analiza wariancji i kowariancji. Korelacja i zależność.	W02, L01	MEK01
5	TK03	Analiza danych wielowymiarowych. Metody graficznej prezentacji wielowymiarowych danych; Metody wykrywania obserwacji odstających; Analiza składowych głównych; Analiza skupień.	W03, W04, L02	MEK01
5	TK04	Regresja. Programowanie liniowe (optymalizacja).	W05, L03	MEK01
5	TK05	Metody pozyskiwania danych biznesowych. Źródła danych biznesowych. Metodyka ankietowa CATI/CAWI/PAPI/CAPI.	W06, W07, L04	MEK02
5	TK06	Analiza danych z otwartych, dostępnych źródeł rządowych (open gov data). Analiza danych z GUS.	W08, L05	MEK03
5	TK07	Analiza danych ze sprawozdań finansowych. Podstawowe wskaźniki finansowe. Analiza informacji dodatkowej ze sprawozdania finansowego. Podstawy finansów i rachunkowości zarządczej.	W09, W10, L06	MEK03
5	TK08	Wykrywanie zależności (wzorców) w danych. Drzewa decyzyjne. Algorytm C4.5. Uczenie sieci neuronowych.	W11, W12, L07
5	TK09	Prawne regulacje dotyczące danych. RODO, ustawa o prawie autorskim, ustawa o ochronie baz danych i inne.	W13	MEK04

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 5)		Godziny kontaktowe: 25.00 godz./sem.	Uzupełnienie/studiowanie notatek: 10.00 godz./sem. Studiowanie zalecanej literatury: 5.00 godz./sem.
Laboratorium (sem. 5)	Przygotowanie do laboratorium: 5.00 godz./sem.	Godziny kontaktowe: 15.00 godz./sem.	Inne: 2.00 godz./sem.
Konsultacje (sem. 5)
Zaliczenie (sem. 5)	Przygotowanie do zaliczenia: 10.00 godz./sem.	Zaliczenie pisemne: 2.00 godz./sem. Inne: 1.00 godz./sem.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład	Zaliczenie pisemne.
Laboratorium	Ocena z laboratorium
Ocena końcowa	Ocena jest średnią ważoną z ocen z laboratorium i wykładu

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	M. Chiliński; S. Gadakh; J. Gawor; K. Jodkowska; M. Piętal; D. Plewczynski; K. Sengupta; N. Zawrotna	Consensus-Based Identification and Comparative Analysis of Structural Variants and Their Influence on 3D Genome Structure Using Long- and Short-Read Sequencing Technologies in Polish Families	2023
2	A. Czmil; S. Czmil; M. Ćmil; J. Gawor; M. Piętal; D. Plewczynski; M. Sochacka-Piętal; D. Strzałka; T. Wołkowicz; M. Wroński	NanoForms: an integrated server for processing, analysis and assembly of raw sequencing data of microbial genomes, from Oxford Nanopore technology	2022
3	M. Piętal	Brakujące wartości w danych: problematyka, wyzwania, metody	2020