Cel kształcenia i wykaz literatury

Główny cel kształcenia: Uzyskanie wiedzy teoretycznej i praktycznych umiejętności w zakresie pozyskiwania, eksploracji i przetwarzania danych.

Ogólne informacje o zajęciach: W ramach modułu omawiane są zagadnienia związane z pozyskiwaniem, analizą i wstępnym przygotowaniem danych dla systemów sztucznej inteligencji. Prezentowane są możliwości pozyskiwania danych zarówno ze źródeł lokalnych, jak i z internetowych portali, usług i baz danych. Przedstawione są głównie biblioteki dla języków programowanie Python i Java, jak i (w mniejszym zakresie) możliwości systemu Matlab. Dodatkowo zaprezentowane będzie użycie PHP i bibliotek JavaScript do prezentacji wyników analizy danych na stronach WWW.

Materiały dydaktyczne: Dostępne na stronie wizytówki prowadzącego zajęcia.

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

1	Tom White	Hadoop. Komplety przewodnik. Analiza i przechowywanie danych	Helion.	2015
2	Jules S. Damji, Brooke Wenig	Spark. Błyskawiczna analiza danych.	Helion.	2023
3	Wes McKinney	Python w analizie danych	Helion.	2023
4	Jake VanderPlas	Python Data Science Handbook	O'Reilly.	2016
5	Mike Cohen	Praktyczna algebra liniowa dla analityków danych	Helion.	2023

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

1	Alberto Boschetti, Luca Massaron	Python. Podstawy nauki o danych	|Helion.	2017
2	David Natingga	Algorytmy Data Science. Siedmiodniowy przewodnik	Helion.	2019
3	Herbert Schildt	Java. Kompendium programisty	Helion.	2023

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

Wymagania formalne: Student zapisany na semestr 5 studiów pierwszego stopnia kierunku informatyka.

Wymagania wstępne w kategorii Wiedzy: Podstawowa znajomość składni języków programowania Java i Python.

Wymagania wstępne w kategorii Umiejętności: Umiejętność programowania w jednym z języków programowania (Java, C++, Python...). Umiejętność korzystania ze środowisk programistycznych jak IntelliJ, Visual Studio Code.

Wymagania wstępne w kategorii Kompetencji społecznych: Dociekliwość, umiejętność analitycznego i abstrakcyjnego myślenia, umiejętność współpracy, kreatywność.

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	Ma więcej niż podstawową wiedzę w zakresie programowania i analizy programów w językach Java i Python.	wykład, laboratorium, dydaktyka zdalna lub stacjonarna	kolokwium	K_W04+ K_U04+ K_K07++	P6S_KO P6S_UK P6S_WG
02	Potrafi wykorzystać nabytą wiedzę w zakresie pozyskiwania danych, ich analizy, selekcji, filtracji, przekształcania, weryfikacji. Potrafi wykorzystać narzędzia programistyczne do automatyzacji tych czynności.	wykład, laboratorium, dydaktyka zdalna lub stacjonarna	kolokwium	K_U02+ K_U06+ K_K07+++	P6S_KO P6S_UW
03	Potrafi prezentować wyniki analizy danych w postaci syntetycznych zestawień, w formie graficznej, jako właściwie dobrany typ wykresów.	wykład, laboratorium, dydaktyka zdalna lub stacjonarna	kolokwium	K_U04+++ K_U06++ K_K07++	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).

Treści kształcenia dla zajęć

Sem.	TK	Treści kształcenia	Realizowane na	MEK
6	TK01	Źródła pozyskiwania danych. Formaty danych.	W1, L1	MEK02
6	TK02	Pozyskiwanie i analiza danych ze źródeł lokalnych (pliki tekstowa, XML, arkusze kalkulacyjne, bazy danych).	W2-W3 L2	MEK01 MEK02
6	TK03	Pozyskiwanie i analiza danych ze źródeł zdalnych (serwisy intrernetowe, instytucje statystyczne, katalogi internetowe itd).	W3-W6, L3	MEK01 MEK02
6	TK04	Analiza, klasyfikacja, filtrowanie, selekcja, przekształcanie i gromadzenie pozyskanych danych.	W6-W9, L4	MEK01 MEK02
6	TK05	Prezentacja gromadzonych danych, wyników analizy i przekształceń danych. Użycie narzędzi dostępnych w językach Java i Python oraz wykorzystanie możliwości języków HTML i bibliotek PHP i JavaScript.	W9-W10, L5	MEK02 MEK03

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 6)	Przygotowanie do kolokwium: 10.00 godz./sem.	Godziny kontaktowe: 20.00 godz./sem.	Uzupełnienie/studiowanie notatek: 2.00 godz./sem. Studiowanie zalecanej literatury: 3.00 godz./sem. Inne: 5.00 godz./sem.
Laboratorium (sem. 6)	Przygotowanie do laboratorium: 5.00 godz./sem. Przygotowanie do kolokwium: 5.00 godz./sem.	Godziny kontaktowe: 10.00 godz./sem.	Inne: 15.00 godz./sem.
Konsultacje (sem. 6)
Zaliczenie (sem. 6)	Przygotowanie do zaliczenia: 2.00 godz./sem.	Zaliczenie pisemne: 1.00 godz./sem.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład	kolokwium
Laboratorium	uczestnictwo w zajęciach, zaliczenie ćwiczeń
Ocena końcowa	średnia ważona ocen z kolokwium i laboratoriów

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: nie