Karta przedmiotu
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
| 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 |
| 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 |
| 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 | W1 | MEK01 | |
| 3 | TK02 | W2 | MEK01 | |
| 3 | TK03 | W3 | MEK01 | |
| 3 | TK04 | W4 | MEK01 | |
| 3 | TK05 | W5 | MEK01 | |
| 3 | TK06 | W6 | MEK01 | |
| 3 | TK07 | W7 | MEK01 | |
| 3 | TK08 | W8 | MEK01 | |
| 3 | TK09 | L1 | MEK02 | |
| 3 | TK10 | L2 | MEK02 | |
| 3 | TK11 | L3 | MEK02 | |
| 3 | TK12 | L4 | MEK02 | |
| 3 | TK13 | L5 | MEK02 | |
| 3 | TK14 | L6 | MEK03 | |
| 3 | TK15 | L7 | MEK03 | |
| 3 | TK16 | 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 |