logo PRZ
Karta przedmiotu
logo WYDZ

Analityka preskryptywna


Podstawowe informacje o zajęciach

Cykl kształcenia:
2025/2026
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, Inteligentne i cyfrowe systemy wytwarzania, Nowoczesne metody zarządzania produkcją, Zrównoważony rozwój w przemyśle
Tytuł otrzymywany po ukończeniu studiów:
magister inżynier
Nazwa jednostki prowadzącej zajęcia:
Zakład Informatyki
Kod zajęć:
4558
Status zajęć:
obowiązkowy dla specjalności Analityka biznesowa w zarządzaniu przedsiębiorstwem
Układ zajęć w planie studiów:
sem: 3 / W15 L15 / 3 ECTS / Z
Język wykładowy:
polski
Imię i nazwisko koordynatora:
dr inż. Łukasz Paśko
Terminy konsultacji koordynatora:
https://lukaszpasko.v.prz.edu.pl/konsultacje

Cel kształcenia i wykaz literatury

Główny cel kształcenia:
Moduł daje studentom możliwość rozszerzenia zdobytych wcześniej umiejętności w zakresie zagadnień optymalizacyjnych i wspomagania podejmowania decyzji. Poruszane zagadnienia dotyczą przede wszystkim optymalizacji całkowitoliczbowej, binarnej i nieliniowej z wykorzystaniem wybranych narzędzi i algorytmów, a także tworzenia modeli w formie drzew decyzyjnych pod kątem analizy decyzyjnej. Moduł kształtuje również umiejętności związane z analizą wrażliwości tworzonych modeli.

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 Goodwin P., Wright G. Analiza decyzji Wolters Kluwer. 2011
2 Winston W. L. Analiza i modelowanie danych biznesowych APN Promise. 2019
3 Marks S.G., Samuelson W.F. Ekonomia menedżerska PWE. 2021
Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych
1 Stadnicki J. Teoria i praktyka rozwiązywania zadań optymalizacji z przykładami zastosowań technicznych PWN. 2019
2 Pod red. T. Szapiro Decyzje menedżerskie z Excelem PWE. 2000
3 Trzaskali T. Wprowadzenie do badań operacyjnych z komputerem PWE. 2008
Literatura do samodzielnego studiowania
1 Kukuła K., Jędrzejczyk Z., Skrzypek J., Walkosz A. Badania operacyjne w przykładach i zadaniach PWN. 2021

Wymagania wstępne w kategorii wiedzy / umiejętności / kompetencji społecznych

Wymagania formalne:
Rejestracja na co najmniej 3 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:
Umiejętność obsługi systemu operacyjnego Windows i 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
MEK01 Identyfikuje metody optymalizacji liniowej i nieliniowej, wskazuje ich zastosowania oraz zna metody wspomagania decyzji w warunkach niepewności i ryzyka. wykład zaliczenie cz. pisemna: sprawdzian pisemny K-W02+++
P7S-WG
MEK02 Tworzy symboliczne modele dla problemów decyzyjnych, stosuje odpowiednie narzędzia do przeprowadzenia optymalizacji i interpretuje jej wyniki oraz wykonuje analizę wrażliwości. laboratorium zaliczenie cz. praktyczna: rozwiązywanie zadań K-U07+++
P7S-UK
MEK03 Analizuje wybrane problemy decyzyjne z wykorzystaniem modeli w formie drzew decyzyjnych, stosuje drzewa decyzyjne do wskazania optymalnej decyzji z punktu widzenia przyjętych kryteriów. laboratorium zaliczenie cz. praktyczna: rozwiązywanie zadań K-U07+++
P7S-UK

Treści kształcenia dla zajęć

Sem. TK Treści kształcenia Realizowane na MEK
3 TK01 Modele symboliczne w liniowych problemach decyzyjnych i analiza wrażliwości. W1 MEK01
3 TK02 Całkowitoliczbowe problemy decyzyjne. W2 MEK01
3 TK03 Binarne problemy decyzyjne. W3 MEK01
3 TK04 Nieliniowe problemy decyzyjne. W4 MEK01
3 TK05 Metody ewolucyjne w optymalizacji. W5 MEK01
3 TK06 Podejmowanie decyzji w warunkach niepewności. W6 MEK01
3 TK07 Drzewa decyzyjne. W7 MEK01
3 TK08 Sprawdzian zaliczeniowy, część pisemna. W8 MEK01
3 TK09 Optymalizacja liniowa i analiza wrażliwości. L1 MEK02
3 TK10 Optymalizacja całkowitoliczbowa. L2 MEK02
3 TK11 Optymalizacja binarna. L3 MEK02
3 TK12 Optymalizacja nieliniowa. L4 MEK02
3 TK13 Optymalizacja z zastosowaniem metod ewolucyjnych. L5 MEK02
3 TK14 Wspomaganie podejmowania decyzji w warunkach niepewności. L6 MEK03
3 TK15 Wspomaganie podejmowania decyzji z wykorzystaniem drzew decyzyjnych. L7 MEK03
3 TK16 Sprawdzian zaliczeniowy, część praktyczna. L8 MEK02 MEK03

Nakład pracy studenta

Forma zajęć Praca przed zajęciami Udział w zajęciach Praca po zajęciach
Wykład (sem. 3) Przygotowanie do kolokwium: 5.00 godz./sem.
Godziny kontaktowe: 15.00 godz./sem.
Uzupełnienie/studiowanie notatek: 1.00 godz./sem.
Studiowanie zalecanej literatury: 5.00 godz./sem.
Laboratorium (sem. 3) Przygotowanie do laboratorium: 10.00 godz./sem.
Przygotowanie do kolokwium: 10.00 godz./sem.
Godziny kontaktowe: 15.00 godz./sem.
Dokończenia/wykonanie sprawozdania: 10.00 godz./sem.
Konsultacje (sem. 3) Udział w konsultacjach: 1.00 godz./sem.
Zaliczenie (sem. 3) Przygotowanie do zaliczenia: 5.00 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 Na zaliczeniu laboratorium weryfikowane są modułowe efekty kształcenia MEK02 i MEK03. Zaliczenie laboratorium obejmuje sprawdzenie umiejętności praktycznych dotyczących treści prezentowanych na laboratorium. Sposób oceniania MEK02: student rozwiązuje zadania dotyczące optymalizacji. 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 zastosowania drzew decyzyjnych we wspomaganiu podejmowania decyzji. 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 I. Bagdoniene; A. Briones; V. Caballero; A. Carreras-Coch; G. Dec; R. Figliè; J. Navarro; L. Pappa; Ł. Paśko; X. Solé-Beteta; D. Stadnicka; C. Stylios; M. Tyrovolas; A. Zaballos Bridging academia and industry in the era of Industry 4.0 by means of the triple helix: The PLANET4 initiative 2024
2 M. Olech; Ł. Paśko Customer Trust Versus Retailer Profit: A Case Study on Optimising Base Stock Level Using Multi-Agent-Based Simulation 2024
3 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
4 Ł. Paśko; G. Setlak Image as a Way of Processing Multidimensional Production Data for Product Quality Prediction Using Deep Learning 2024
5 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
6 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
7 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
8 K. Antosz; Ł. Paśko Neural Model of Manufacturing Process as a Way to Improve Predictability of Manufacturing 2022
9 A. Kuś; Ł. Paśko Bootstrap Aggregation Technique for Evaluating the Significance of Manufacturing Process Parameters in the Glass Industry 2021
10 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
11 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
12 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
13 P. Litwin; Ł. Paśko Metody klasteryzacji danych w badaniu podobieństwa parametrów procesu wytwórczego 2020
14 Ł. Paśko Significance of Manufacturing Process Parameters in a Glassworks 2020
15 Ł. Paśko; G. Setlak Random Forests in a Glassworks: Knowledge Discovery from Industrial Data 2020