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
01	Identyfikuje i porównuje metody optymalizacji liniowej i nieliniowej oraz narzędzia wspomagające podejmowanie decyzji optymalizacyjnych, wyjaśnia ich przeznaczenie, rozpoznaje ich możliwości, zna metody wspomagania decyzji w warunkach niepewności.	wykład	zaliczenie cz. pisemna: sprawdzian pisemny	K_W02+++	P7S_WG
02	Tworzy symboliczne modele dla wybranych problemów decyzyjnych oraz stosuje odpowiednie narzędzia i algorytmy do przeprowadzenia optymalizacji, interpretuje wyniki uzyskiwane za pomocą wybranych metod i narządzi oraz wykonuje analizę wrażliwości.	laboratorium	zaliczenie cz. praktyczna: rozwiązywanie zadań	K_U07+++	P7S_UK
03	Analizuje wybrane problemy decyzyjne stosując modele 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

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
3	TK01	Modele symboliczne w liniowych problemach decyzyjnych i analiza wrażliwości.	W1	MEK01
3	TK02	Optymalizacja całkowitoliczbowa i binarna.	W2	MEK01
3	TK03	Nieliniowe problemy decyzyjne.	W3	MEK01
3	TK04	Metody ewolucyjne w optymalizacji.	W4	MEK01
3	TK05	Podejmowanie decyzji w warunkach niepewności.	W5	MEK01
3	TK06	Drzewa decyzyjne.	W6	MEK01
3	TK07	Przegląd metod i narzędzi do optymalizacji jednokryterialnej.	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	Metody ewolucyjne w optymalizacji.	L5	MEK02
3	TK14	Podejmowanie decyzji w warunkach niepewności. Drzewa decyzyjne jednostopniowe.	L6	MEK03
3	TK15	Drzewa decyzyjne wielostopniowe.	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	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
3	Ł. Paśko; G. Setlak	Image as a Way of Processing Multidimensional Production Data for Product Quality Prediction Using Deep Learning	2024
4	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
5	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
6	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
7	K. Antosz; Ł. Paśko	Neural Model of Manufacturing Process as a Way to Improve Predictability of Manufacturing	2022
8	A. Kuś; Ł. Paśko	Bootstrap Aggregation Technique for Evaluating the Significance of Manufacturing Process Parameters in the Glass Industry	2021
9	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
10	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
11	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
12	P. Litwin; Ł. Paśko	Metody klasteryzacji danych w badaniu podobieństwa parametrów procesu wytwórczego	2020
13	Ł. Paśko	Significance of Manufacturing Process Parameters in a Glassworks	2020
14	Ł. Paśko; G. Setlak	Random Forests in a Glassworks: Knowledge Discovery from Industrial Data	2020
15	K. Antosz; A. Gola; Ł. Paśko	The use of intelligent systems to support the decision-making process in lean maintenance management	2019
16	P. Litwin; Ł. Paśko	Methods of Data Mining for Quality Assurance in Glassworks	2019
17	Ł. Paśko	Zapewnianie jakości w przemyśle szklarskim z wykorzystaniem metod eksploracji danych	2019
18	Ł. Paśko; M. Piróg; G. Setlak	Pozyskiwanie wiedzy z danych przemysłowych do wspomagania decyzji w procesie produkcyjnym	2019