Cykl kształcenia: 2022/2023
Nazwa jednostki prowadzącej studia: Wydział Budowy Maszyn i Lotnictwa
Nazwa kierunku studiów: Zarządzanie i inżynieria produkcji
Obszar kształcenia: nauki techniczne
Profil studiów: ogólnoakademicki
Poziom studiów: drugiego stopnia
Forma studiów: stacjonarne
Specjalności na kierunku: Analityka biznesowa w zarządzaniu przedsiębiorstwem, Ekologia produkcji, Nowoczesne metody zarządzania produkcją, Zintegrowane systemy wytwarzania
Tytuł otrzymywany po ukończeniu studiów: magister inżynier
Nazwa jednostki prowadzącej zajęcia: Zakład Informatyki
Kod zajęć: 4552
Status zajęć: obowiązkowy dla specjalności Analityka biznesowa w zarządzaniu przedsiębiorstwem
Układ zajęć w planie studiów: sem: 2 / W15 L30 / 3 ECTS / Z
Język wykładowy: polski
Imię i nazwisko koordynatora: dr inż. Łukasz Paśko
Terminy konsultacji koordynatora: https://lukaszpasko.v.prz.edu.pl/konsultacje
Główny cel kształcenia: Moduł daje studentom możliwość nabycia umiejętności pozwalających wykorzystać wybrane metody, techniki i narzędzia do tworzenia modeli predykcyjnych. Studenci zapoznają się z wieloma zagadnieniami związanymi z predyktywną analityką biznesową w ujęciu klasycznym (m.in. regresja liniowa, logistyczna), a także w szerszym ujęciu – z zastosowaniem wybranych metod i technik uczenia maszynowego. Włączenie zagadnień uczenia maszynowego do treści kształcenia jest odpowiedzią na aktualne potrzeby rynku pracy i oczekiwania współczesnych przedsiębiorstw wdrażających elementy koncepcji Przemysłu 4.0, sztucznej inteligencji czy big data.
Ogólne informacje o zajęciach: Moduł jest obowiązkowy w ramach programu nauczania w zakresie specjalności Analityka biznesowa w zarządzaniu przedsiębiorstwem na kierunku Zarządzanie i inżynieria produkcji.
Materiały dydaktyczne: Materiały wykładowe i instrukcje własne dostępne w wersji elektronicznej na stronie internetowej prowadzącego zajęcia (v.prz.edu.pl).
1 | Provost F., Fawcett T. | Analiza danych w biznesie. Sztuka podejmowania skutecznych decyzji | Helion. | 2019 |
2 | Natingga D. | Algorytmy data science | PWN. | 2021 |
3 | Gatnar E., Walesiak M. | Statystyczna analiza danych z wykorzystaniem programu R | PWN. | 2009 |
4 | Grus J. | Data science od podstaw. Analiza danych w Pythonie | Helion. | 2018 |
5 | Winston W.L. | Microsoft Excel 2019 – Analiza i modelowanie danych biznesowych | Microsoft Press. | 2019 |
1 | Gągolewski M. | Programowanie w języku R. Analiza danych, obliczenia, symulacje | PWN. | 2016 |
2 | Harrison M. | Uczenie maszynowe w Pythonie. Leksykon kieszonkowy | Helion. | 2020 |
3 | Alexander M., Kusleika D., Walkenbach J. | Excel 2019 PL. Biblia | Helion. | 2019 |
1 | Nielsen A. | Szeregi czasowe. Praktyczna analiza i predykcja z wykorzystaniem statystyki i uczenia maszynowego | Helion. | 2020 |
Wymagania formalne: Rejestracja na co najmniej 2 semestr studiów drugiego stopnia na kierunku Zarządzanie i inżynieria produkcji.
Wymagania wstępne w kategorii Wiedzy: Wiedza dotycząca zagadnień związanych z technologiami informacyjnymi, informatyką, systemami wspomagania decyzji i zarządzaniem wiedzą.
Wymagania wstępne w kategorii Umiejętności: Obsługa systemu operacyjnego Windows, obsługa pakietu Microsoft Office.
Wymagania wstępne w kategorii Kompetencji społecznych: brak wymagań
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 | Opisuje metody, techniki oraz narzędzia wykorzystywane w analityce predyktywnej, wskazuje obszary ich zastosowań, identyfikuje ich zalety, możliwości i ograniczenia. | wykład | zaliczenie cz. pisemna: sprawdzian pisemny |
K_W02+ K_W05+ |
P7S_WG P7S_WK |
02 | Przygotowuje dane przekrojowe i dane w postaci szeregów czasowych do tworzenia na ich podstawie modeli predykcyjnych, tworzy modele predykcyjne z wykorzystaniem klasycznego podejścia do analityki predyktywnej, weryfikuje utworzone modele. | laboratorium | zaliczenie cz. praktyczna: rozwiązywanie zadań |
K_U07+++ |
P7S_UK |
03 | Buduje modele predykcyjne posługując się wybranymi metodami i technikami uczenia maszynowego, ocenia jakość utworzonych modeli oraz stosuje te modele podczas rozwiązywania wybranych problemów biznesowych. | laboratorium | zaliczenie cz. praktyczna: rozwiązywanie zadań |
K_U07+++ |
P7S_UK |
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 |
---|---|---|---|---|
2 | TK01 | W1 | MEK01 | |
2 | TK02 | W2 | MEK01 | |
2 | TK03 | W3 | MEK01 | |
2 | TK04 | W4 | MEK01 | |
2 | TK05 | W5 | MEK01 | |
2 | TK06 | W6 | MEK01 | |
2 | TK07 | W7 | MEK01 | |
2 | TK08 | W8 | MEK01 | |
2 | TK09 | L1 | MEK02 MEK03 | |
2 | TK10 | L2 | MEK02 MEK03 | |
2 | TK11 | L3 | MEK02 | |
2 | TK12 | L4 | MEK02 | |
2 | TK13 | L5 | MEK02 | |
2 | TK14 | L6 | MEK02 | |
2 | TK15 | L7 | MEK02 | |
2 | TK16 | L8 | MEK02 | |
2 | TK17 | L9 | MEK03 | |
2 | TK18 | L10 | MEK03 | |
2 | TK19 | L11 | MEK03 | |
2 | TK20 | L12 | MEK03 | |
2 | TK21 | L13 | MEK03 | |
2 | TK22 | L14 | MEK03 | |
2 | TK23 | L15 | MEK03 |
Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
---|---|---|---|
Wykład (sem. 2) | Przygotowanie do kolokwium:
5.00 godz./sem. |
Godziny kontaktowe:
15.00 godz./sem. |
Uzupełnienie/studiowanie notatek:
1.00 godz./sem. Studiowanie zalecanej literatury: 2.00 godz./sem. |
Laboratorium (sem. 2) | Przygotowanie do laboratorium:
4.00 godz./sem. Przygotowanie do kolokwium: 5.00 godz./sem. |
Godziny kontaktowe:
30.00 godz./sem. |
Dokończenia/wykonanie sprawozdania:
4.00 godz./sem. |
Konsultacje (sem. 2) | Udział w konsultacjach:
1.00 godz./sem. |
||
Zaliczenie (sem. 2) | Przygotowanie do zaliczenia:
10.00 godz./sem. |
Forma zajęć | Sposób wystawiania oceny podsumowującej |
---|---|
Wykład | Na zaliczeniu pisemnym wykładu weryfikowany jest modułowy efekt kształcenia MEK01. Sposób oceniania MEK01: Osiągnięcie efektu uczenia się weryfikowane jest za pomocą pytań dotyczących treści wykładowych. Punkty za poprawnie udzielone odpowiedzi są sumowane, a suma zdobytych punktów przeliczana jest na wynik procentowy, zakładając że maksymalna liczba punktów to 100%. Student uzyskuje ocenę z MEK01 na podstawie następujących przedziałów procentowych: 0% - 49,99%: 2,0 (ndst); 50% - 59,99%: 3,0 (dst); 60% - 69,99%: 3,5 (+dst); 70% - 79,99%: 4,0 (db); 80% - 89,99%: 4,5 (+db); 90% - 100%: 5,0 (bdb). |
Laboratorium | Sprawdzenie umiejętności praktycznych dotyczących treści prezentowanych na zajęciach laboratoryjnych podzielone jest na dwa sprawdziany. Pierwszy sprawdzian weryfikuje modułowy efekt kształcenia MEK02, a drugi sprawdzian - MEK03. Sprawdziany obejmują wykonanie zadań dotyczących: przygotowania danych (pre-processing), tworzenia modeli predykcyjnych oraz ich oceny. Sposób oceniania MEK02: student rozwiązuje zadania dotyczące przygotowania danych do analizy, tworzenia modeli predykcyjnych wykorzystując podejście klasyczne do analityki predyktywnej oraz weryfikowania poprawności utworzonych modeli. Maksymalna liczba punktów, jaką można zdobyć za dane zadanie zależy od poziomu trudności i czasochłonności zadania. Częściowe wykonanie zadania powoduje przyznanie liczby punktów proporcjonalnej do stopnia zrealizowania danego zadania. Zdobyte punkty za wszystkie zadania dotyczące MEK02 są sumowane. Student uzyskuje ocenę z MEK02 na podstawie następujących przedziałów procentowych, przy czym 100% to maksymalna możliwa do zdobycia sumaryczna liczba punktów: 0% - 49,99%: 2,0 (ndst); 50% - 59,99%: 3,0 (dst); 60% - 69,99%: 3,5 (+dst); 70% - 79,99%: 4,0 (db); 80% - 89,99%: 4,5 (+db); 90% - 100%: 5,0 (bdb). Sposób oceniania MEK03: student rozwiązuje zadania dotyczące przygotowania danych do analizy, tworzenia modeli predykcyjnych wykorzystując uczenie maszynowe oraz weryfikowania poprawności utworzonych modeli. Maksymalna liczba punktów, jaką można zdobyć za dane zadanie zależy od poziomu trudności i czasochłonności zadania. Częściowe wykonanie zadania powoduje przyznanie liczby punktów proporcjonalnej do stopnia zrealizowania danego zadania. Zdobyte punkty za wszystkie zadania dotyczące MEK03 są sumowane. Student uzyskuje ocenę z MEK03 na podstawie następujących przedziałów procentowych, przy czym 100% to maksymalna możliwa do zdobycia sumaryczna liczba punktów: 0% - 49,99%: 2,0 (ndst); 50% - 59,99%: 3,0 (dst); 60% - 69,99%: 3,5 (+dst); 70% - 79,99%: 4,0 (db); 80% - 89,99%: 4,5 (+db); 90% - 100%: 5,0 (bdb). |
Ocena końcowa | Ocena końcowa z modułu wyznaczana jest jako średnia ważona ocen z MEK01, MEK02 i MEK03, przy czym MEK01 ma wagę 0,2, MEK02 ma wagę 0,4, a MEK03 ma wagę 0,4. |
Wymagane podczas egzaminu/zaliczenia
(-)
Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)
Inne
(-)
Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : nie
1 | R. Amadio; A. Carreras-Coch; R. Figliè; D. Mazzei; J. Navarro; Ł. Paśko; D. Stadnicka; C. Stylios; M. Tyrovolas; A. Zaballos | Towards a Taxonomy of Industrial Challenges and Enabling Technologies in Industry 4.0 | 2024 |
2 | D. Atzeni; A. Carreras-Coch; G. Dec; D. Mazzei; M. Mądziel; L. Pappa; Ł. Paśko; X. Solé-Beteta; D. Stadnicka; C. Stylios | Plan and Develop Advanced Knowledge and Skills for Future Industrial Employees in the Field of Artificial Intelligence, Internet of Things and Edge Computing | 2022 |
3 | G. Dec; R. Figliè; D. Mazzei; M. Mądziel; J. Navarro; Ł. Paśko; X. Solé-Beteta; D. Stadnicka; C. Stylios; M. Tyrovolas | Role of Academics in Transferring Knowledge and Skills on Artificial Intelligence, Internet of Things and Edge Computing | 2022 |
4 | K. Antosz; A. Gola; A. Gonçalves; T. Malheiro; Ł. Paśko; L. Varela | Six Sigma and Random Forests Application for Product Quality System Control Development | 2022 |
5 | K. Antosz; Ł. Paśko | Neural Model of Manufacturing Process as a Way to Improve Predictability of Manufacturing | 2022 |
6 | A. Kuś; Ł. Paśko | Bootstrap Aggregation Technique for Evaluating the Significance of Manufacturing Process Parameters in the Glass Industry | 2021 |
7 | D. Antonelli; J. Barata; E. Boffa; P. C. Priarone; R. Chelli; P. Ferreira; M. Finžgar; M. Lanzetta; P. Litwin; N. Lohse; F. Lupi; M. M. Mabkhot; A. Maffei; M. Mądziel; P. Minetola; S. Nikghadam-Hojjati; Ł. Paśko; P. Podržaj; D. Stadnicka; X. Wang | Mapping Industry 4.0 Enabling Technologies into United Nations Sustainability Development Goals | 2021 |
8 | K. Antosz; M. Jasiulewicz-Kaczmarek; Ł. Paśko; S. Wang; C. Zhang | Application of machine learning and rough set theory in lean maintenance decision support system development | 2021 |
9 | K. Antosz; A. Gola; Ł. Paśko | The Use of Artificial Intelligence Methods to Assess the Effectiveness of Lean Maintenance Concept Implementation in Manufacturing Enterprises | 2020 |
10 | P. Litwin; Ł. Paśko | Metody klasteryzacji danych w badaniu podobieństwa parametrów procesu wytwórczego | 2020 |
11 | Ł. Paśko | Significance of Manufacturing Process Parameters in a Glassworks | 2020 |
12 | Ł. Paśko; G. Setlak | Random Forests in a Glassworks: Knowledge Discovery from Industrial Data | 2020 |
13 | K. Antosz; A. Gola; Ł. Paśko | The use of intelligent systems to support the decision-making process in lean maintenance management | 2019 |
14 | P. Litwin; Ł. Paśko | Methods of Data Mining for Quality Assurance in Glassworks | 2019 |
15 | Ł. Paśko | Zapewnianie jakości w przemyśle szklarskim z wykorzystaniem metod eksploracji danych | 2019 |
16 | Ł. Paśko; M. Piróg; G. Setlak | Pozyskiwanie wiedzy z danych przemysłowych do wspomagania decyzji w procesie produkcyjnym | 2019 |