Cykl kształcenia: 2022/2023
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: pierwszego stopnia
Forma studiów: stacjonarne
Specjalności na kierunku: Informatyka w zarządzaniu przedsiębiorstwem, Systemy zapewnienia jakości produkcji, Zarządzanie systemami produkcyjnymi
Tytuł otrzymywany po ukończeniu studiów: inżynier
Nazwa jednostki prowadzącej zajęcia: Zakład Informatyki
Kod zajęć: 798
Status zajęć: obowiązkowy dla specjalności Informatyka w zarządzaniu przedsiębiorstwem
Układ zajęć w planie studiów: sem: 7 / W30 / 3 ECTS / Z
Język wykładowy: polski
Imię i nazwisko koordynatora: dr hab. inż. prof. PRz Galina Setlak
Terminy konsultacji koordynatora: Wtorek 12.30-14.00, środa 10.30 - 12.00,gsetlak.v.prz.edu.pl
Główny cel kształcenia: Głównym celem jest przekazanie studentom wiedzy w zakresie zaawansowanych metod i narzędzi sztucznej inteligencji do rozwiązywania złożonych zadań w zarządzaniu i inżynierii produkcji. Przedstawienie również nowoczesnych technologii i systemów do wspomagania podejmowania decyzji w przedsiębiorstwach funkcjonujących w warunkach niepewności. Zaprezentowanie nowoczesnych zaawansowanych metod i narzędzi w zakresie inżynierii i analizy danych (Data science) oraz możliwości ich zastosowań w ramach koncepcji Przemysł 4.0.
Ogólne informacje o zajęciach: Przekazywana w ramach modułu wiedza wykracza poza poziom podstawowego programu nauczania na kierunku, stanowi ważne uzupełnienie w wiedzę zaawansowaną w zakresie zastosowań nowoczesnych technologii informacyjnych oraz sztucznej inteligencji do wspomagania decyzji w zarządzaniu i inżynierii produkcji.
Materiały dydaktyczne: gsetlak.v.prz.edu.pl
1 | Foreman J. | Mistrz analizy. Od danych do wiedzy | HELION, Gliwice. | 2017 |
2 | Osowski S. | Metody i narzędzia eksploracji danych | Wydawnictwo BTC, LEGIONOWO. | 2013 |
3 | Alexander M., J. Decker, B. Wehbe | Analizy Business Intelligence | Helion, Gliwice. | 2015 |
4 | Morzy T. | Eksploracja danych. Metody i techniki | PWN, Warszawa. | 2013 |
5 | Dmowski J. | Przemysł 4.0 PL. Szansa czy zagrożenie dla rozwoju innowacyjnej gospodarki? | The Boston Consulting Group, Warszawa . | 2016 |
1 | Foster Provost, Tom Fawcett | Analiza danych w biznesie. Sztuka podejmowania skutecznych decyzji, | Helion, Gliwice. | 2015 |
1 | Aileen Nielsen | Szeregi czasowe. Praktyczna analiza i predykcja z wykorzystaniem statystyki i uczenia maszynowego | Helion. | 2020 |
Wymagania formalne: Student/Studentka musi być zarejestrowany na liście osób uprawnionych do zaliczenia przedmiotu
Wymagania wstępne w kategorii Wiedzy: Podstawowy zakres wiedzy obowiązujący na kierunku studiów i specjalności Informatyka w zarządzaniu przedsiębiorstwem, w tym z Podstaw sztucznej inteligencji
Wymagania wstępne w kategorii Umiejętności: Umiejętność obsługi podstawowego oprogramowania
Wymagania wstępne w kategorii Kompetencji społecznych: Umiejętność samodzielnego poszerzania swej wiedzy i doskonalenia umiejętności zawodowych
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 zaawansowane metody i narzędzia sztucznej inteligencji i potrafi je wykorzystać do eksploracji danych i wielowymiarowych analiz | wykład, wykład interaktywny | zaliczenie cz. ustna, zaliczenie cz. praktyczna |
K_U01+ |
P6S_UW |
02 | zna nowoczesne systemy wspomagania decyzji i potrafi określić swoje wymagania dotyczące ich funkcjonalności | wykład interaktywny | zaliczenie cz. ustna |
K_U01+ |
P6S_UW |
03 | Potrafi wykorzystać zaawansowane metody i odpowiednie narzędzia programowe do analiz danych przemysłowych oraz dostosować te rozwiązania w ramach koncepcji Przemysł 4.0 do właściwych warunków funkcjonowania przedsiębiorstwa | wykład interaktywny | zaliczenie cz. praktyczna |
K_W11+ |
P6S_WK |
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).
Sem. | TK | Treści kształcenia | Realizowane na | MEK |
---|---|---|---|---|
7 | TK01 | W01, W02 | MEK01 MEK03 | |
7 | TK02 | W03, W04 | MEK01 MEK02 | |
7 | TK03 | W05, W06, | MEK02 MEK03 | |
7 | TK04 | W07,W08, 109 | MEK03 | |
7 | TK05 | W10, W11, W12 | MEK01 MEK03 | |
7 | TK06 | W13, | MEK02 MEK03 | |
7 | TK07 | W14 | MEK02 | |
7 | TK08 | W15 | MEK01 |
Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
---|---|---|---|
Wykład (sem. 7) | Przygotowanie do kolokwium:
10.00 godz./sem. |
Godziny kontaktowe:
30.00 godz./sem. |
Uzupełnienie/studiowanie notatek:
10.00 godz./sem. Studiowanie zalecanej literatury: 8.00 godz./sem. |
Konsultacje (sem. 7) | Udział w konsultacjach:
2.00 godz./sem. |
||
Zaliczenie (sem. 7) | Przygotowanie do zaliczenia:
10.00 godz./sem. |
Zaliczenie pisemne:
2.00 godz./sem. Zaliczenie ustne: 1.00 godz./sem. Inne: 5.00 godz./sem. |
Forma zajęć | Sposób wystawiania oceny podsumowującej |
---|---|
Wykład | Na zaliczeniu pisemnym wykładu sprawdzana jest realizacja wszystkich efektów modułowych (MEK01-MEK03). Student, aby uzyskać ocenę dostateczną musi uzyskać co najmniej od 50% do 60% poprawnych odpowiedzi, następnie od 60 do 70% - ocenę 3,5, a od 71% do 80% punktów - ocenę dobry, jeżeli uzyska co najmniej 81-90% punktów - ocenę ponad dobry (4,5) oraz ocenę bardzo dobry (5,0), jeżeli uzyska powyżej 91% punktów do 100 %. |
Ocena końcowa | Warunkiem zaliczenia modułu jest osiągnięcie wszystkich efektów modułowych i zaliczenie wszystkich form zajęć. Ocena końcowa wyznaczana jest na podstawie oceny z wykładu z wagą 1.0. |
Wymagane podczas egzaminu/zaliczenia
(-)
Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)
Inne
(-)
Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : nie
1 | Ł. Paśko; G. Setlak | Random Forests in a Glassworks: Knowledge Discovery from Industrial Data | 2020 |
2 | Ł. Paśko; M. Piróg; G. Setlak | Pozyskiwanie wiedzy z danych przemysłowych do wspomagania decyzji w procesie produkcyjnym | 2019 |