Cel kształcenia i wykaz literatury

Główny cel kształcenia: Przedstawienie języków programowania R i Python wykorzystywanych w analizie danych.

Ogólne informacje o zajęciach: Moduł ma na celu przekazanie praktycznej wiedzy o językach programowania R i Python oraz wykorzystaniu ich w procesie pozyskania, czyszczenia i analizy danych. Dotyczy to w szczególności takich zagadnień jak wykorzystanie istniejących bibliotek dedykowanych dla tych języków w celu ekstrakcji danych i ich wizualizacji.

Materiały dydaktyczne: https://js.kia.prz.edu.pl/stud

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

1	Jared Lander	Zaawansowane analizy i grafika statystyczna	APN Promise, Warszawa.	2018
2	Wes McKinney	Python w analizie danych	Helion (O’Relly), Gliwice.	2018
3	Gopi Subramanian	Python Data Science Cookbook	Packt publishing, Birmingham.	2015

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

1	Tania Moulik	Applied Data Visualization with R and ggplot2	Packt Publishing.	2018
2	Robert Johansson	Matematyczny Python: obliczenia naukowe i analiza danych z użyciem NumPy, SciPy i Matplotlib	Helion.	2021

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

Wymagania formalne: Student musi być zarejestrowany na co najmniej trzecim semestrze studiów drugiego stopnia (magisterskich)

Wymagania wstępne w kategorii Wiedzy: Podstawową wiedzę w zakresie Informatyki oraz baz danych. Ponadto dobra znajomość popularnych języków programowania ogólnego przeznaczenia (np. C, Java, C#).

Wymagania wstępne w kategorii Umiejętności: Wymagane jest posiadanie umiejętności obsługi kompuera oraz oprogramowania takiego jak edytor tekstu (kodu).

Wymagania wstępne w kategorii Kompetencji społecznych: Uczciwość, umiejętność samodzielnego poszerzania swojej wiedzy i doskonalenia umiejętności zawodowych, zdolność do pracy w zespole.

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	Zna składnię języków R i Python. Wymienia typowe struktury danych wykorzystywane w procesie pozyskiwania wiedzy z danych.	wykład, laboratorium, laboratorium problemowe,	zaliczenie cz. praktyczna, egzamin cz. pisemna	K_W01++ K_W04+ K_U09+++	P7S_UW P7S_WG
02	Zna, instaluje i wykorzystuje pakiety przeznaczone do analizy i prezentacji danych oraz Importuje, filtruje i transformuje dane zapisane w różnych formatach.	wykład, laboratorium, laboratorium problemowe	zaliczenie cz. praktyczna, egzamin cz. pisemna	K_W04++ K_U09+++	P7S_UW P7S_WG
03	Zna i potrafi budować podstawowe modele drążenia danych.	wykład, laboratorium	egzamin cz. pisemna, zaliczenie cz. praktyczna, zaliczenie cz. pisemna, egzamin cz. praktyczna	K_W04+ K_U09++	P7S_UW P7S_WG

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	Język programowania R, literały, wyrażenia, funkcje, wartości, pętle	W01, L01	MEK01
3	TK02	Wektory i operacje wektorowe języka R	W01, L01	MEK01
3	TK03	Moduły języka R, obliczenia statystyczne, wykresy	W02, L02-L03	MEK02
3	TK04	Język programowania Python, literały, wyrażenia, pętle, funkcje, klasy, obiekty, wyjątki	W03, L03	MEK01
3	TK05	Moduły języka Python do analizy danych, obliczenia statystyczne	W03-04, L04	MEK01
3	TK06	Analiza skupień. Podstawowe pojęcia odległości taksonomicznej, miary i odległości. Techniki grupowania: aglomeracyjne i podziałowe. Metody skupiania: metoda K-średnich, medianowa, metoda minimalnej wariancji. Rozmyta metoda analizy skupień.	W05, L05	MEK02
3	TK07	Zastosowanie języka Python do budowy podstawowych modeli drążenia danych - model klasyfikacji, grupowania, regresji i reguł asocjacyjnych.	W05, L05	MEK01 MEK03

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 3)	Przygotowanie do kolokwium: 20.00 godz./sem.	Godziny kontaktowe: 10.00 godz./sem.	Uzupełnienie/studiowanie notatek: 2.00 godz./sem. Studiowanie zalecanej literatury: 12.00 godz./sem.
Laboratorium (sem. 3)	Przygotowanie do laboratorium: 2.00 godz./sem.	Godziny kontaktowe: 10.00 godz./sem.	Dokończenia/wykonanie sprawozdania: 2.00 godz./sem.
Konsultacje (sem. 3)
Egzamin (sem. 3)	Przygotowanie do egzaminu: 5.00 godz./sem.	Egzamin pisemny: 2.00 godz./sem. Inne: 10.00 godz./sem.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład	Uczestnictwo w zajęciach
Laboratorium	Kolokwium realizowane przy komputerze (albo w wersji papierowej w zależności od stanu epidemicznego) polega na rozwiązaniu zadań dotyczących języków Python i pakietów (pandas, numpy, matplotlib) oraz R i grupy pakietów tidyverse (dplyr, ggplot2, readr). Poprawna odpowiedź na pytanie pozwala uzyskać od 1 do 5 punktów. Częściowo poprawna lub niepełna odpowiedź pozwala uzyskać proporcjonalnie mniejszą liczbę punktów. Zdobyta przez studenta liczba punktów jest przekształcana na wartość procentową maksimum punktów do uzyskania. Ocenę wyznacza się według następującej skali: ndst - do 50%, dst - do 60%, dst+ - do 70%, db - do 80%, db+ - do 90%, bdb - powyżej 90%
Ocena końcowa	Wszystkie formy przedmiotu mają ocenę pozytywną, wówczas oceną końcową stanowi ocena z egzaminu

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: nie