Główny cel kształcenia:
Zasadniczym celem kształcenia na module jest prezentacja podstawowych zagadnień z zakresu techniki programowania w językach wysokiego poziomu.
Ogólne informacje o zajęciach:
Moduł poświęcony jest prezentacji podstaw programowania
proceduralnego. Omawiany jest proces tworzenia rozwiązania w
postaci algorytmu i programu. Podstawy języka i środowiska programowania, (edytor, kompilator, debbuger). Przedstawia się metody sterowanie przebiegiem programu, podstawowe i złożone typy danych, wyrażenia, zmienne statyczne, wskaźniki, zmienne dynamiczne. Analizuje się zagadnienia strukturalizacji programu, procedury i funkcje oraz metody przekazywania parametrów. Rozważa się zagadnienia rekursji. Studenci zapoznają się ze stosowaniem standardowych bibliotek, sterowania strumieniami wejścia-wyjścia i zarządzania plikami. Przedstawia się podstawowe techniki programowania obiektowego.
Materiały dydaktyczne:
http://www.pei.prz.edu.pl/dydaktyka.html, http://e-learning.prz.edu.pl/
1 | Downey Allen B. | Myśl w języku Python! Nauka programowania | Helion. | 2025 |
2 | Mariano Anaya | Czysty kod w Pythonie. Twórz wydajny i łatwy w utrzymaniu kod | Helion. | 2022 |
3 | Lutz Mark | Python. Wprowadzenie | Helion. | 2022 |
1 | Piotr Wróblewski | Algorytmy w Pythonie. Techniki programowania dla praktyków | Helion. | 2023 |
2 | Gawryszewski Marek, Kierzkowski Andrzej | Python Ćwiczenia praktyczne | Helion. | 2017 |
1 | Moskała Marcin | Python od podstaw | Moskała Marcin. | 2022 |
2 | Eric Matthes | Python Crash Course | No Starch Press. | 2018 |
Wymagania formalne:
Student powinien znać podstawowe zagadnienia z zakresu algebry i analizy matematycznej
Wymagania wstępne w kategorii Wiedzy:
Student powinien mieć wiedzę w zakresie matematyki, wykorzystywaną do formułowania i rozwiązywania prostych zadań inżynierskich związanych z informatyką.
Wymagania wstępne w kategorii Umiejętności:
Student powinien umieć użyć wiedzę matematyczną do formułowania i rozwiązywania prostych zadań informatycznych w oparciu o metody analityczne i eksperymentalne.
Wymagania wstępne w kategorii Kompetencji społecznych:
Ma świadomość odpowiedzialności za własną pracę.
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 |
---|---|---|---|---|---|
MEK01 | Analizuje gotowy kod programu | wykład, laboratorium | zaliczenie cz. pisemna, zaliczenie cz. praktyczna (laboratorium) |
K-W04++ K-U04++ K-K01++ |
P6S-KK P6S-UK P6S-UU P6S-WG |
MEK02 | Formułuje algorytm rozwiązania zadania programistycznego | wykład, laboratorium | zaliczenie cz. pisemna, zaliczenie cz. praktyczna |
K-U01+++ K-U08+++ |
P6S-UW |
MEK03 | Projektuje i programuje poste aplikacje z użyciem techniki programowania strukturalnego i proceduralnego | wykład, laboratorium | zaliczenie cz. pisemna, zaliczenie cz. praktyczna, |
K-U04++ K-U08+++ K-K02++ |
P6S-KK P6S-KO P6S-UK P6S-UU P6S-UW |
MEK04 | Programuje poste aplikacje z użyciem techniki programowania obiektowego | wykład, laboratorium | zaliczenie cz. pisemna, zaliczenie cz. praktyczna, obserwacja wykonawstwa |
K-U08+++ K-K02++ K-K07++ |
P6S-KK P6S-KO P6S-UU P6S-UW |
Sem. | TK | Treści kształcenia | Realizowane na | MEK |
---|---|---|---|---|
1 | TK01 | W01, L01 | MEK02 | |
1 | TK02 | W02, W03, L01 | MEK01 | |
1 | TK03 | W03, W04, L02 | MEK01 | |
1 | TK04 | W05, L02 | MEK01 MEK02 MEK03 | |
1 | TK05 | W06, L03 | MEK03 | |
1 | TK06 | W07, W08, L04 | MEK01 MEK03 | |
1 | TK07 | W9, W10, L05 | MEK02 MEK03 | |
1 | TK08 | W11, W12, L06 | MEK03 MEK04 | |
1 | TK09 | W13, W14, W15, L07 | MEK03 MEK04 |
Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
---|---|---|---|
Wykład (sem. 1) | Godziny kontaktowe:
30.00 godz./sem. |
Uzupełnienie/studiowanie notatek:
5.00 godz./sem. Studiowanie zalecanej literatury: 10.00 godz./sem. |
|
Laboratorium (sem. 1) | Przygotowanie do laboratorium:
7.00 godz./sem. |
Godziny kontaktowe:
15.00 godz./sem. |
Dokończenia/wykonanie sprawozdania:
10.00 godz./sem. |
Konsultacje (sem. 1) | Przygotowanie do konsultacji:
1.00 godz./sem. |
||
Zaliczenie (sem. 1) | Przygotowanie do zaliczenia:
5.00 godz./sem. |
Zaliczenie pisemne:
1.00 godz./sem. |
Forma zajęć | Sposób wystawiania oceny podsumowującej |
---|---|
Wykład | Zaliczenie pisemne na ostatnim wykładzie. Zaliczenie wykładu od 51% uzyskanych punktów. |
Laboratorium | Do zaliczenia przedmiotu należy wykonać wszystkie laboratoria. Oceniana jest jakość wykonanych zadań i sprawozdań. Na ostatnich zajęciach sprawdzian zaliczeniowy w formie praktycznego programowania na komputerze. Oceną końcową to 0.32*sprawozdania+ 0.68*kolokwium. Gradacja ocen: 0-50% - 2.0, 51-60% - 3.0, 61-70% - 3.5, 71-80% - 4.0, 81-90% - 4.5, 91-100% - 5.0. Kolokwium zaliczeniowe obejmujące całość materiału, odbędzie się w przedostatnim lub ostatnim tygodniu semestru. |
Ocena końcowa | Ocena końcowa wystawiana jest jako średnia ważona: 0.67 oceny z laboratorium oraz 0.33 oceny z zaliczenia wykładu. |
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; G. Karnas; G. Masłowski | Identification of cloud-to-ground lightning and intra-cloud lightning based on their radiated electric field signatures using different types of neural networks and machine learning classifiers | 2024 |
2 | G. Drałus; J. Kusznier; D. Mazur; K. Szostek | Analysis of the Effectiveness of ARIMA, SARIMA, and SVR Models in Time Series Forecasting: A Case Study of Wind Farm Energy Production | 2024 |
3 | G. Drałus; M. Gołębiowski; P. Hawro; P. Krutys; T. Kwater | Comprehensive online estimation of object signals for a control system with an adaptive approach and incomplete measurements | 2024 |
4 | G. Drałus | Metody śledzenia punktu MPP modułu fotowoltaicznego | 2023 |
5 | 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 |
6 | A. Czmil; G. Drałus; D. Mazur | Automatic Detection and Counting of Blood Cells in Smear Images Using RetinaNet | 2021 |
7 | G. Dec; G. Drałus; B. Kwiatkowski; D. Mazur | Forecasting Models of Daily Energy Generation by PV Panels Using Fuzzy Logic | 2021 |
8 | G. Drałus; T. Rak | Prognozowanie w horyzoncie jednej godziny produkcji energii przez panel fotowoltaiczny | 2020 |
9 | G. Drałus; T. Rak | Programowanie równoległe w hybrydowym środowisku MPI i OpenMP na klastrze serwerów | 2020 |