pl | en

Data science

Karta opisu przedmiotu (sylabus)

Informacje podstawowe

Kierunek studiów
Szkoła Doktorska
Specjalność
-
Jednostka organizacyjna
UEP
Poziom kształcenia
III stopień
Forma studiów
stacjonarne
Profil kształcenia
ogólnoakademicki
Cykl dydaktyczny
2019/2020
Kod przedmiotu
UEPSDS.640.12215.19
Język wykładowy
Polski
Obligatoryjność
Do wyboru
Blok zajęciowy
Blok 0
Osoba odpowiedzialna za treść sylabusa
Milena Stróżyna
Okres
Semestr 3
Forma zaliczenia
Zaliczenie

Forma prowadzenia i godziny zajęć
  • Uczestnictwo w ćwiczeniach: 30
Liczba punktów ECTS
2

Cele uczenia się dla przedmiotu

C1 Zrozumienie koncepcji big data
C2 Zapoznanie się z metodami analizy danych
C3 Zrozumienie wyzwań (społecznych, ekonomicznych) i kosztów związanych z prowadzeniem analiz big data

Wymagania wstępne

Znajomość podstaw statystyki

Efekty uczenia się dla przedmiotu

Kod Efekty w zakresie Kierunkowe efekty uczenia się Metody weryfikacji
Wiedzy
W1 Student zna koncepcję big data i jego elementy składowe. K3_W01, K3_W03, K3_W05 Sprawdzian pisemny testowy, Udział w dyskusji / Uczestnictwo w zajęciach
W2 Student zna metody pozyskiwania, organizowania, przechowywania I przetwarzania dużych zbiorów danych. K3_W01, K3_W02 Sprawdzian pisemny testowy, Projekt indywidualny
W3 Student zna metody i narzędzia pozwalające mu na analizę zjawisk ekonomicznych z wykorzystaniem metod big data. K3_W01, K3_W02 Sprawdzian pisemny testowy, Projekt indywidualny
Umiejętności
U1 Student potrafi zaproponować rozwiązanie problemu z wykorzystaniem metod analizy danych. K3_U01, K3_U02 Sprawdzian pisemny testowy, Udział w dyskusji / Uczestnictwo w zajęciach, Projekt indywidualny
U2 Student potrafi dobrać metodę przetwarzania danych do problemu ekonomicznego. K3_U01 Sprawdzian pisemny testowy, Udział w dyskusji / Uczestnictwo w zajęciach, Projekt indywidualny
U3 Student potrafi projektować rozwiązania z wykorzystaniem big data. K3_U01, K3_U04 Sprawdzian pisemny testowy, Projekt indywidualny
Kompetencji społecznych
K1 Student jest gotów stosować różne narzędzia w procesie analizy danych. K3_K02, K3_K03 Sprawdzian pisemny testowy, Projekt indywidualny
K2 Student jest gotów do sprostania wyzwaniom etycznym związanym z przetwarzaniem danych. K3_K03 Sprawdzian pisemny testowy, Udział w dyskusji / Uczestnictwo w zajęciach
K3 Student jest gotów do testowania nowych rozwiązań w zakresie analizy danych. K3_K01 Projekt indywidualny

Treści programowe

Lp. Treści programowe Cele kształcenia dla przedmiotu Efekty uczenia się dla przedmiotu
1. Koncepcja big data. Wprowadzenie do analizy danych big data. C1 W1, U1, K3
2. Infrastruktury big data C1, C2 W1, U3, K1, K3
3. Przetwarzanie rozproszone. Map Reduce. C2 W1, W2, U3, K1
4. Organizacja danych. Bazy danych NoSQL C1, C2 W2, U1, U3, K1
5. Jakość danych. C2 W2, U1, U3, K1
6. Przetwarzanie strumieni danych. C2 W2, U1, U2, K1
7. Przetwarzanie danych ustrukturyzowanych. C2 W2, U1, U2, K1
8. Przetwarzanie danych tekstowych. C2 W3, U1, K3
9. Analiza danych grafowych. Sieci społeczne. C2, C3 W2, U2, K1, K2, K3
10. Analiza danych z sieci społecznych. Drążenie opinii. C2, C3 W3, U1, U2, K1, K2, K3
11. Analiza obrazu. Deep learning. C1, C2 W1, U3, K1, K3
12. Big data: studia przypadku C1, C3 W1, U1, U2, U3, K2

Literatura

Obowiązkowa
  1. TOM WHITE, HADOOP: THE DEFINITIVE GUIDE 4TH EDITION, O'REILLY MEDIA, 2015, 978-1491901632
  2. SANDY RYZA, URI LASERSON, SEAN OWEN, JOSH WILLS, ADVANCED ANALYTICS WITH SPARK: PATTERNS FOR LEARNING FROM DATA AT SCALE, 1ST EDITION, 2015, 978-1491912768
  3. RUSSELL WALKER (2015) "FROM BIG DATA TO BIG PROFITS: SUCCESS WITH DATA AND ANALYTICS", OXFORD UNIVERSITY PRESS INC
  4. VINCENZO MORABITO (2015) "BIG DATA AND ANALYTICS STRATEGIC AND ORGANIZATIONAL IMPACTS", SPRINGER
Zalecana
  1. NATHAN MARZ, JAMES WARREN (2015) “BIG DATA. PRINCIPLES AND BEST PRACTICES OF SCALABLE REALTIME DATA SYSTEMS.”, MANNING PUBLICATIONS.
  2. "BIG-DATA ANALYTICS AND CLOUD COMPUTING. THEORY, ALGORITHMS AND APPLICATIONS" (2015) MARCELLO TROVATI, RICHARD HILL, ASHIQ ANJUM, SHAO YING ZHU, LU LIU (EDS.), SPRINGER
  3. MARK GROVER, TED MALASKA, JONATHAN SEIDMAN, GWEN SHAPIRA, HADOOP APPLICATION ARCHITECTURES 1ST EDITION, 2015, 978-1491900086
  4. MICHAEL MALAK, ROBIN EAST, SPARK GRAPHX IN ACTION 1ST EDITION, MANNING PUBLICATIONS, 2016, 978-1617292521
  5. GRANT S. INGERSOLL, THOMAS S. MORTON, ANDREW L.FARRIS (2013), „TAMING TEXT. HOW TO FIND, ORGANIZE AND MANIPULATE IT”, MANNING PUBLICATIONS CO.
  6. "GRAPH-BASED SOCIAL MEDIA ANALYSIS" (2015) JOANNIS PITAS (ED.), CHAPMAN AND HALL/CRC
  7. BENJAMIN BENGFORT, JENNY KIM, DATA ANALYTICS WITH HADOOP: AN INTRODUCTION FOR DATA SCIENTISTS 1ST EDITION, 2016, 978-1491913703
  8. FOSTER PROVOST, TOM FAWCETT, DATA SCIENCE FOR BUSINESS: WHAT YOU NEED TO KNOW ABOUT DATA MINING AND DATA-ANALYTIC THINKING 1ST EDITION, 2013, 978-1449361327

Informacje rozszerzone

Metody nauczania:

Wykład z prezentacją multimedialną, Dyskusja, Analiza przypadków, Rozwiązywanie zadań

Metody nauczania Sposób zaliczenia Warunki zaliczenia przedmiotu
Ćwiczenia Sprawdzian pisemny testowy, Udział w dyskusji / Uczestnictwo w zajęciach, Projekt indywidualny

Rozliczenie punktów ECTS

Forma aktywności studenta Średnia liczba godzin* przeznaczonych na zrealizowane aktywności
Uczestnictwo w ćwiczeniach 30
Konsultacje z prowadzącym/i zajęcia 5
Uczestnictwo w egzaminie 2
Przygotowanie do egzaminu 15
Przygotowanie projektu 8
Łączny nakład pracy studenta
Liczba godzin
60
ECTS
2.0
Zajęcia z bezpośrednim udziałem nauczyciela
Liczba godzin
37
ECTS
1.0
Nakład pracy związany z zajęciami o charakterze praktycznym
Liczba godzin
38
ECTS
1.0

* godzina (lekcyjna) oznacza 45 minut