Data science
Karta opisu przedmiotu (sylabus)
Okres
Semestr 3
|
Forma zaliczenia
Zaliczenie
Forma prowadzenia i godziny zajęć
|
Liczba punktów ECTS
2
|
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 |
Znajomość podstaw statystyki
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 |
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 |
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 |
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