Case studies 1000-AD-StudPrzyp

(in Polish) 1. Godziny realizowane z udziałem nauczycieli: a. laboratorium – 30 godzin, b. bieżące przygotowanie do zajęć, w tym rozwiązywanie zadań zleconych przez prowadzących, zapoznanie się z informacją zwrotną dotyczącą rozwiązanych zadań oraz konsultacje z prowadzącymi zajęcia – 20 godzin. 2. Czas poświęcony na pracę indywidualną studenta/słuchacza/uczestnika kursu potrzebny do pomyślnego zaliczenia przedmiotu: a. studiowanie literatury – 10 godzin, b. zapoznanie się z materiałami dodatkowymi, m.in. dokumentacją bibliotek i pakietów – 5 godzin, c. wykonanie zadań/projektów zaliczeniowych – 15 godzin. Razem: 80 h (3 pkt. ECTS)

(in Polish) W01: Zna etapy realizacji projektu z zakresu eksploracji danych (K_W03). W02: Rozumie potrzebę wstępnego przygotowania danych i sprawdzenia ich poprawności (K_W03, K_W04). W03: Ma poszerzoną wiedzę z zakresu budowy modeli dla różnego typu danych (K_W05-K_W09). W04: Zna narzędzia informatyczne oraz języki programowania stosowane w analizie danych rzeczywistych, w tym także dużych zbiorów danych (K_W10-K_W12). W05: Rozumie potrzebę oceny jakości modelu, zna metody oceny jakości modeli (K_W01, K_W03).

(in Polish) U01: Potrafi przygotować dane i ocenić ich jakość (KU_04-K_U05). U02: Potrafi dobrać odpowiednie techniki modelowania do postawionego problemu i rodzaju danych (K_U06-K_U12). U03: Potrafi dobrać odpowiednie narzędzie pracy: program, język programowania, do postawionego problemu i wybranych metod budowy modeli (K_U13-K_U17). U04: Potrafi pracować w grupie i organizować jej pracę, jest przy tym terminowy i zorganizowany (K_U18).

(in Polish) K01: Potrafi odnaleźć się w sytuacji praktycznej i dla siebie nowej (K_K04). K02: Myśli twórczo i jest w stanie zaproponować kreatywne podejście do postawionego problemu (K_K01). K03: Jest komunikatywny, potrafi porozumieć się z innymi osobami, tak specjalistami jak i laikami, by zrozumieć stawiany mu problem oraz przedstawić wyniki swojej pracy (K_K05). K04: Przestrzega prawa własności intelektualnej w zakresie przekazywanych mu do analizy danych oraz koncepcji rozwiązań (K_K07).

- case study
- laboratory
- brainstorming

(in Polish) Student powinien dysponować wiedzą z zakresu eksploracji danych i uczenia maszynowego oraz dobrze posługiwać się językami programowania R i Python.

Additional information (registration calendar, class conductors, localization and schedules of classes), might be available in the USOSweb system:

• Description of 1000-AD-StudPrzyp in USOSweb