Cel kształcenia i wykaz literatury

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).

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

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

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

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

Literatura do samodzielnego studiowania

1

Nielsen A.

Szeregi czasowe. Praktyczna analiza i predykcja z wykorzystaniem statystyki i uczenia maszynowego

Helion.

2020

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

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

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	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).

Treści kształcenia dla zajęć

Sem.	TK	Treści kształcenia	Realizowane na	MEK
2	TK01	Istota predyktywnej analityki biznesowej. Przegląd metod, technik i narzędzi wykorzystywanych do predykcji.	W1	MEK01
2	TK02	Klasyczne podejście do analityki predyktywnej.	W2	MEK01
2	TK03	Szeregi czasowe w analityce predyktywnej.	W3	MEK01
2	TK04	Ocena jakości modeli predykcyjnych.	W4	MEK01
2	TK05	Problem klasyfikacji.	W5	MEK01
2	TK06	Problem regresji.	W6	MEK01
2	TK07	Problem klasteryzacji.	W7	MEK01
2	TK08	Sprawdzian zaliczeniowy, część pisemna.	W8	MEK01
2	TK09	Zapoznanie z narzędziami analityki predyktywnej.	L1	MEK02 MEK03
2	TK10	Potencjalne źródła pozyskiwania danych do budowy modeli predykcyjnych. Jakość danych. Wstępne przetwarzanie danych.	L2	MEK02 MEK03
2	TK11	Redukcja wymiarowości.	L3	MEK02
2	TK12	Podejście klasyczne do analityki predyktywnej (regresja: liniowa, wieloraka, logistyczna) - część 1.	L4	MEK02
2	TK13	Podejście klasyczne do analityki predyktywnej (regresja: liniowa, wieloraka, logistyczna) - część 2.	L5	MEK02
2	TK14	Zastosowanie uczenia maszynowego do analizy szeregów czasowych - część 1.	L6	MEK02
2	TK15	Zastosowanie uczenia maszynowego do analizy szeregów czasowych - część 2.	L7	MEK02
2	TK16	Sprawdzian zaliczeniowy, część praktyczna - część 1.	L8	MEK02
2	TK17	Rozwiązywanie zadań klasyfikacji za pomocą sieci neuronowych.	L9	MEK03
2	TK18	Rozwiązywanie zadań klasyfikacji za pomocą drzew decyzyjnych.	L10	MEK03
2	TK19	Rozwiązywanie zadań regresji za pomocą sieci neuronowych.	L11	MEK03
2	TK20	Rozwiązywanie zadań regresji za pomocą drzew decyzyjnych.	L12	MEK03
2	TK21	Rozwiązywanie zadań klasteryzacji za pomocą metod hierarchicznych.	L13	MEK03
2	TK22	Rozwiązywanie zadań klasteryzacji za pomocą metod niehierarchicznych.	L14	MEK03
2	TK23	Sprawdzian zaliczeniowy, część praktyczna - część 2.	L15	MEK03

Nakład pracy studenta

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.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

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.

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	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